GigaTok: Skalierung visueller Tokenizer auf 3 Milliarden Parameter für autoregressive Bildgenerierung

GigaTok: Scaling Visual Tokenizers to 3 Billion Parameters for Autoregressive Image Generation

April 11, 2025

Autoren: Tianwei Xiong, Jun Hao Liew, Zilong Huang, Jiashi Feng, Xihui Liu

cs.AI

Zusammenfassung

Bei der autoregressiven (AR) Bildgenerierung komprimieren visuelle Tokenizer Bilder in kompakte diskrete latente Tokens, was ein effizientes Training nachgelagerter autoregressiver Modelle für die visuelle Generierung durch Next-Token-Vorhersage ermöglicht. Während die Skalierung visueller Tokenizer die Bildrekonstruktionsqualität verbessert, verschlechtert sie oft die nachgelagerte Generierungsqualität – eine Herausforderung, die in der bestehenden Literatur nicht ausreichend behandelt wird. Um dies zu beheben, stellen wir GigaTok vor, den ersten Ansatz, der gleichzeitig die Bildrekonstruktion, Generierung und Repräsentationslernfähigkeit bei der Skalierung visueller Tokenizer verbessert. Wir identifizieren die zunehmende Komplexität des latenten Raums als den Schlüsselfaktor hinter dem Rekonstruktions- vs. Generierungs-Dilemma. Um dies zu mildern, schlagen wir eine semantische Regularisierung vor, die die Merkmale des Tokenizers mit semantisch konsistenten Merkmalen eines vortrainierten visuellen Encoders ausrichtet. Diese Einschränkung verhindert eine übermäßige Komplexität des latenten Raums während der Skalierung und führt zu konsistenten Verbesserungen sowohl in der Rekonstruktion als auch in der nachgelagerten autoregressiven Generierung. Aufbauend auf der semantischen Regularisierung untersuchen wir drei Schlüsselpraktiken für die Skalierung von Tokenizern: (1) die Verwendung von 1D-Tokenizern für bessere Skalierbarkeit, (2) die Priorisierung der Decoder-Skalierung bei der Erweiterung von Encoder und Decoder und (3) den Einsatz von Entropieverlust zur Stabilisierung des Trainings für Tokenizer im Milliardenmaßstab. Durch die Skalierung auf 3 Milliarden Parameter erreicht GigaTok Spitzenleistungen in der Rekonstruktion, der nachgelagerten AR-Generierung und der Qualität der nachgelagerten AR-Repräsentation.

English

In autoregressive (AR) image generation, visual tokenizers compress images into compact discrete latent tokens, enabling efficient training of downstream autoregressive models for visual generation via next-token prediction. While scaling visual tokenizers improves image reconstruction quality, it often degrades downstream generation quality -- a challenge not adequately addressed in existing literature. To address this, we introduce GigaTok, the first approach to simultaneously improve image reconstruction, generation, and representation learning when scaling visual tokenizers. We identify the growing complexity of latent space as the key factor behind the reconstruction vs. generation dilemma. To mitigate this, we propose semantic regularization, which aligns tokenizer features with semantically consistent features from a pre-trained visual encoder. This constraint prevents excessive latent space complexity during scaling, yielding consistent improvements in both reconstruction and downstream autoregressive generation. Building on semantic regularization, we explore three key practices for scaling tokenizers:(1) using 1D tokenizers for better scalability, (2) prioritizing decoder scaling when expanding both encoder and decoder, and (3) employing entropy loss to stabilize training for billion-scale tokenizers. By scaling to 3 space billion parameters, GigaTok achieves state-of-the-art performance in reconstruction, downstream AR generation, and downstream AR representation quality.