इस पत्र में, हम एक नवीन टोकन विलय रणनीति, ReToM (स्थानीय प्रतिनिधि टोकन निर्देशित विलय) का प्रस्ताव करते हैं, जिसका उद्देश्य स्थिर प्रसार (Stable Diffusion), एक पाठ-आधारित छवि निर्माण मॉडल, की गति में सुधार करना है। यद्यपि मौजूदा टोकन विलय विधियाँ ध्यान संचालन की गणना संबंधी जटिलता को कम करने पर ध्यान केंद्रित करती हैं, वे छवि निर्माण मॉडल की विशेषताओं पर विचार नहीं करती हैं। इस सीमा को पार करने के लिए, ReToM ध्यान इनपुट में विंडो के आधार पर स्थानीय सीमाएँ निर्धारित करता है और विभिन्न प्रासंगिक सूचनाओं के आधार पर टोकन विलय करने के लिए विंडो आकार को समायोजित करता है। इसके अतिरिक्त, हम एक प्रतिनिधि टोकन प्रस्तुत करते हैं जो एक विशिष्ट समय चरण पर समानता की गणना करके प्रत्येक विंडो में सबसे अधिक प्रतिनिधि टोकन का चयन करता है, जिससे सबसे महत्वपूर्ण स्थानीय विशेषताओं को संरक्षित करते हुए गणना संबंधी ओवरहेड को कम किया जा सकता है। प्रायोगिक परिणाम दर्शाते हैं कि ReToM आधारभूत मॉडल की तुलना में FID में 6.2% सुधार करता है और CLIP स्कोर को बढ़ाता है, जबकि अनुमान समय समान रहता है। यह अनुभवजन्य रूप से प्रदर्शित करता है कि यह दृश्य गुणवत्ता और गणना दक्षता में प्रभावी रूप से संतुलन बनाता है।
