GigaTok : Mise à l'échelle des tokenizers visuels à 3 milliards de paramètres pour la génération d'images autorégressive

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

April 11, 2025

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

cs.AI

Résumé

Dans la génération d'images autorégressive (AR), les tokeniseurs visuels compressent les images en jetons latents discrets compacts, permettant un entraînement efficace des modèles autorégressifs en aval pour la génération visuelle via la prédiction du jeton suivant. Bien que la mise à l'échelle des tokeniseurs visuels améliore la qualité de reconstruction des images, elle dégrade souvent la qualité de génération en aval — un défi qui n'est pas suffisamment abordé dans la littérature existante. Pour y remédier, nous introduisons GigaTok, la première approche à améliorer simultanément la reconstruction d'images, la génération et l'apprentissage de représentation lors de la mise à l'échelle des tokeniseurs visuels. Nous identifions la complexité croissante de l'espace latent comme le facteur clé derrière le dilemme reconstruction vs. génération. Pour atténuer cela, nous proposons une régularisation sémantique, qui aligne les caractéristiques du tokeniseur avec des caractéristiques sémantiquement cohérentes provenant d'un encodeur visuel pré-entraîné. Cette contrainte empêche une complexité excessive de l'espace latent lors de la mise à l'échelle, entraînant des améliorations constantes à la fois dans la reconstruction et dans la génération autorégressive en aval. En nous appuyant sur la régularisation sémantique, nous explorons trois pratiques clés pour la mise à l'échelle des tokeniseurs : (1) l'utilisation de tokeniseurs 1D pour une meilleure évolutivité, (2) la priorisation de la mise à l'échelle du décodeur lors de l'expansion à la fois de l'encodeur et du décodeur, et (3) l'emploi d'une perte d'entropie pour stabiliser l'entraînement des tokeniseurs à l'échelle du milliard. En atteignant 3 milliards de paramètres, GigaTok obtient des performances de pointe en reconstruction, en génération AR en aval et en qualité de représentation AR en aval.

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.