摘要

尽管大型语言模型（LLMs）在自然语言生成任务中占据主导地位，但在图像与视频生成方面，其表现仍不及扩散模型（diffusion models）。为了有效利用LLMs进行视觉内容生成，一个关键组件是视觉分词器（visual tokenizer），其功能是将像素空间的输入映射为适合LLM学习的离散令牌（tokens）。本文提出了一种名为MAGVIT-v2的视频分词器，该分词器采用统一的令牌词汇表，能够为图像和视频生成简洁且富有表现力的离散令牌。借助这一新型分词器，我们验证了LLMs在ImageNet和Kinetics等标准图像与视频生成基准测试中，性能超越了扩散模型。此外，我们进一步证明，该分词器在两项额外任务上也优于此前表现最佳的视频分词器：（1）在人类评估中，其视频压缩效果可与下一代视频编码标准（VCC）相媲美；（2）在动作识别任务中，能够学习到具有高度有效性的视觉表征。