GigaTok: Escalando Tokenizadores Visuales a 3 Mil Millones de Parámetros para la Generación Autoregresiva de Imágenes

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

April 11, 2025

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

cs.AI

Resumen

En la generación autoregresiva (AR) de imágenes, los tokenizadores visuales comprimen las imágenes en tokens latentes discretos compactos, permitiendo un entrenamiento eficiente de modelos autoregresivos posteriores para la generación visual mediante la predicción del siguiente token. Si bien escalar los tokenizadores visuales mejora la calidad de la reconstrucción de imágenes, a menudo degrada la calidad de la generación posterior, un desafío que no ha sido abordado adecuadamente en la literatura existente. Para resolver esto, presentamos GigaTok, el primer enfoque que mejora simultáneamente la reconstrucción de imágenes, la generación y el aprendizaje de representaciones al escalar los tokenizadores visuales. Identificamos la creciente complejidad del espacio latente como el factor clave detrás del dilema entre reconstrucción y generación. Para mitigar esto, proponemos la regularización semántica, que alinea las características del tokenizador con características semánticamente consistentes de un codificador visual preentrenado. Esta restricción evita una complejidad excesiva del espacio latente durante el escalado, obteniendo mejoras consistentes tanto en la reconstrucción como en la generación autoregresiva posterior. Basándonos en la regularización semántica, exploramos tres prácticas clave para escalar tokenizadores: (1) usar tokenizadores 1D para una mejor escalabilidad, (2) priorizar el escalado del decodificador al expandir tanto el codificador como el decodificador, y (3) emplear la pérdida de entropía para estabilizar el entrenamiento de tokenizadores a escala de miles de millones. Al escalar a 3 mil millones de parámetros, GigaTok logra un rendimiento de vanguardia en reconstrucción, generación AR posterior y calidad de representación AR posterior.

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.