TUNA: Обучение унифицированных визуальных представлений для нативных унифицированных мультимодальных моделей

Аннотация

Унифицированные мультимодальные модели (UMM) ставят целью совместное выполнение задач мультимодального понимания и генерации в рамках единой архитектуры. Мы представляем TUNA — нативную UMM, которая строит единое непрерывное визуальное представление путём каскадного соединения энкодера VAE с репрезентационным энкодером. Это унифицированное репрезентационное пространство позволяет осуществлять сквозную обработку изображений и видео как для задач понимания, так и для генерации. По сравнению с предыдущими UMM с разделёнными представлениями, унифицированное визуальное пространство TUNA избегает несоответствий форматов представлений, вносимых раздельными энкодерами, и превосходит подходы с разделёнными представлениями как в понимании, так и в генерации. Более того, мы наблюдаем, что более мощные предобученные репрезентационные энкодеры последовательно обеспечивают лучшую производительность на всех мультимодальных задачах, что подчёркивает важность репрезентационного энкодера. Наконец, в данной унифицированной конфигурации совместное обучение на данных как для понимания, так и для генерации позволяет этим двум задачам извлекать взаимную пользу, а не мешать друг другу. Наши расширенные эксперименты на бенчмарках мультимодального понимания и генерации показывают, что TUNA достигает state-of-the-art результатов в понимании изображений и видео, генерации изображений и видео, а также редактировании изображений, демонстрируя эффективность и масштабируемость её унифицированной репрезентационной архитектуры.

English

Unified multimodal models (UMMs) aim to jointly perform multimodal understanding and generation within a single framework. We present TUNA, a native UMM that builds a unified continuous visual representation by cascading a VAE encoder with a representation encoder. This unified representation space allows end-to-end processing of images and videos for both understanding and generation tasks. Compared to prior UMMs with decoupled representations, TUNA's unified visual space avoids representation format mismatches introduced by separate encoders, outperforming decoupled alternatives in both understanding and generation. Moreover, we observe that stronger pretrained representation encoders consistently yield better performance across all multimodal tasks, highlighting the importance of the representation encoder. Finally, in this unified setting, jointly training on both understanding and generation data allows the two tasks to benefit from each other rather than interfere. Our extensive experiments on multimodal understanding and generation benchmarks show that TUNA achieves state-of-the-art results in image and video understanding, image and video generation, and image editing, demonstrating the effectiveness and scalability of its unified representation design.

TUNA: Обучение унифицированных визуальных представлений для нативных унифицированных мультимодальных моделей

TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models

Аннотация

Support