很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經錄用會有專人和您聯(lián)系
咨詢如何成為春羽作者請聯(lián)系：鳥哥筆記小羽毛（ngbjxym）
來源：Agent的潛意識
我們在探討patches的方方面面。不過patches有一個核心bug：就是他的分片是簡單切割的，比如一張圖片切成9份，那么有可能，一個具象的語義信息，例如一個人臉，可能被切割在了四份里面，每一份都只是人臉的一部分，這樣的特征提取器表達力肯定是不完整的。
在NLP中，有一個專門的分詞器tokenizer。例如可以把滿腹經綸這樣的成語分為一個詞。如果圖像要套用NLP里面的tokens的概念。這樣的圖像語義分詞器就顯得非常重要。
業(yè)界對這塊也研究了很多。今天我們這條線盤一盤。目前我們整個系列還在盤圖像tokens這個概念，他只是整個知識樹的一個根，后面我們再整體全貌看如何構建一個視頻生成網絡模型的pipeline。
今天分享三塊：
1、VQVAE Neural Discrete Representation Learning。如何將圖片編碼為離散隱變量。
論文：
https://arxiv.org/abs/1711.00937。這個是（google deepmind 2017 NIPS）
代碼：https://github.com/karpathy/deep-vector-quantization
2、VQGAN Taming Transformers for High-Resolution Image Synthesis。他的核心思想是把VQVAE里面的CNN換成transformer。
論文：https://arxiv.org/pdf/2012.09841.pdf。這個是CVPR2021 oral。德國人的。
代碼：https://git.io/JnyvK.
3、MAGIT - Masked Generative Video Transformer。這個論文是在VQGAN的基礎上首次合成視頻。
論文: https://arxiv.org/abs/2212.05199
Project : https://MAGVIT.cs.cmu.edu/
代碼: https://github.com/google-research/magvit
這是一篇高被引奠基性的文章。后面很多論文都在這個論文基礎上展開。他的核心思想其實也很簡單。附上論文原圖。更加真實理解論文本意。
整個pipeline在上圖中。我們詳細講解一下整個過程。整個圖從左往右看，虛黑線隔開的右半角部分是講如何最近鄰搜索離散化的。一只小狗的原始圖片，通過一個CNN編碼器網絡，轉變?yōu)橐粋€隱變量綠色立方體空間Ze；由于是神經網絡非線性變化，Ze肯定是一個連續(xù)變量空間矩陣，這時候，通過一個特征空間查找表E，將Ze里面的連續(xù)值，通過最近鄰算法查找到最相近的點ei，從而將綠立方體變成了淺紫色立方體特征空間Zq。然后對這個淺紫色特征空間進行CNN的解碼器變換，變換出一個真實圖像出來。如果編碼器學的好，就說明這個特征表示Zq非常有效。我們就拿這個Zq來表示這個圖片了。由于Zq是離散值，因此就是一個圖像的離散特征表示。紅線表示的是梯度傳播的時候直接跳過離散化查找表。
整個loss共三項。
第一項很簡單，x是輸入的圖像，Zq（x）是解碼器輸出圖像，這個就是一個重建loss，看輸入的原始圖像和解碼器輸出的圖像之間的loss。后兩項看起來比較復雜。我通俗易懂的給大家解釋下原理：這兩個loss的目的是讓離散化查找表embedding space 中的節(jié)點更內聚的。所謂內聚，就是，以這張圖為例，你可以把狗的耳朵當成一個離散值節(jié)點，那么兩個狗耳朵就不需要兩個離散化節(jié)點了。這樣就提升了離散節(jié)點的表達力。他就是NL P里面詞表的概念。
這篇論文有很多的博客在講。但很多人都講錯了。VQGAN他的編碼器和解碼器都是CNN，并沒有變化；他之所以命名為VQGAN，核心的區(qū)別是他的解碼這一塊，就是隱空間特征生成圖像這塊，他用的是GAN：有兩個CNN，一個生成式CNN生成圖像，一個判別式CNN對生成的真假打分。所以說他整個pipeline是沒有transformer的。并不是編碼器和解碼器變成了transformer。
整個pipeline如上圖所示。從左到右看，下面一層就是VQGAN的整個pipeline，img到編碼器CNN，然后通過圖像分詞器tokenizer轉成 Zq，然后再通過GAN生成img。整個pipeline有三個CNN。編碼器cnn encoder，解碼器CNN decoder，然后是判別器CNN。
Transformer干的是哪個活呢？是對分詞器的優(yōu)化，和對Z- Zq表示的優(yōu)化。在VQ VAE中，分詞器就是一個pixel CNN，當然這個也算是比較好的表達方式，如果你學過數字圖像處理這個課，最原始的圖像離散化表示是超像素分割。Transformer第一作用的生產出最具有表達力的圖像詞匯表；第二個作用是，當前的圖像，用了詞匯1-i-1共i個詞匯后，還需要哪個詞匯（圖像語義token），能更好的表達當前的圖像，從而生產出最具有表達力的Zq。
事實上，這個transformer表達的分詞器詞匯表對整個模型來說非常關鍵。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質量內容的交流平臺。為落實國家互聯(lián)網信息辦公室“依法管網、依法辦網、依法上網”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據本公約中的條款對注冊用戶和發(fā)布在本平臺的內容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網絡信息。
一、根據《網絡信息內容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內容；
2. 不友善：不尊重用戶及其所貢獻內容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網站秩序的內容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產品、提供服務、宣傳推廣內容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內容；
4)多次發(fā)布包含欺騙性外鏈的內容，如未注明的淘寶客鏈接、跳轉網站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產品、品牌等內容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網站秩序的推廣內容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內容，如通過偽造經歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內容審核的廣告內容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內容；
4)帶有性暗示、性挑逗等易使人產生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內容；
2)存在事實夸大、偽造虛假經歷等誤導他人的內容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網絡生態(tài)造成不良影響的其他內容。
二、違規(guī)處罰
本網站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內容時，本網站將依據相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內容時，本網站將加重處罰。
三、申訴
隨著平臺管理經驗的不斷豐富，本網站出于維護本網站氛圍和秩序的目的，將不斷完善本公約。
如果本網站用戶對本網站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網站進行反饋。
(規(guī)則的最終解釋權歸屬本網站所有)