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(qǐng)把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會(huì)有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒?qǐng)聯(lián)系：鳥(niǎo)哥筆記小羽毛（ngbjxym）
來(lái)源：Agent的潛意識(shí)
我們?cè)谔接?a href="/tag/patches" target="_blank">patches的方方面面。不過(guò)patches有一個(gè)核心bug：就是他的分片是簡(jiǎn)單切割的，比如一張圖片切成9份，那么有可能，一個(gè)具象的語(yǔ)義信息，例如一個(gè)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(dá)力肯定是不完整的。
在NLP中，有一個(gè)專門(mén)的分詞器tokenizer。例如可以把滿腹經(jīng)綸這樣的成語(yǔ)分為一個(gè)詞。如果圖像要套用NLP里面的tokens的概念。這樣的圖像語(yǔ)義分詞器就顯得非常重要。
業(yè)界對(duì)這塊也研究了很多。今天我們這條線盤(pán)一盤(pán)。目前我們整個(gè)系列還在盤(pán)圖像tokens這個(gè)概念，他只是整個(gè)知識(shí)樹(shù)的一個(gè)根，后面我們?cè)僬w全貌看如何構(gòu)建一個(gè)視頻生成網(wǎng)絡(luò)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(gè)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(gè)是CVPR2021 oral。德國(guó)人的。
代碼：https://git.io/JnyvK.
3、MAGIT - Masked Generative Video Transformer。這個(gè)論文是在VQGAN的基礎(chǔ)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(gè)論文基礎(chǔ)上展開(kāi)。他的核心思想其實(shí)也很簡(jiǎn)單。附上論文原圖。更加真實(shí)理解論文本意。
整個(gè)pipeline在上圖中。我們?cè)敿?xì)講解一下整個(gè)過(guò)程。整個(gè)圖從左往右看，虛黑線隔開(kāi)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(guò)一個(gè)CNN編碼器網(wǎng)絡(luò)，轉(zhuǎn)變?yōu)橐粋€(gè)隱變量綠色立方體空間Ze；由于是神經(jīng)網(wǎng)絡(luò)非線性變化，Ze肯定是一個(gè)連續(xù)變量空間矩陣，這時(shí)候，通過(guò)一個(gè)特征空間查找表E，將Ze里面的連續(xù)值，通過(guò)最近鄰算法查找到最相近的點(diǎn)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(duì)這個(gè)淺紫色特征空間進(jìn)行CNN的解碼器變換，變換出一個(gè)真實(shí)圖像出來(lái)。如果編碼器學(xué)的好，就說(shuō)明這個(gè)特征表示Zq非常有效。我們就拿這個(gè)Zq來(lái)表示這個(gè)圖片了。由于Zq是離散值，因此就是一個(gè)圖像的離散特征表示。紅線表示的是梯度傳播的時(shí)候直接跳過(guò)離散化查找表。
整個(gè)loss共三項(xiàng)。
第一項(xiàng)很簡(jiǎn)單，x是輸入的圖像，Zq（x）是解碼器輸出圖像，這個(gè)就是一個(gè)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(xiàng)看起來(lái)比較復(fù)雜。我通俗易懂的給大家解釋下原理：這兩個(gè)loss的目的是讓離散化查找表embedding space 中的節(jié)點(diǎn)更內(nèi)聚的。所謂內(nèi)聚，就是，以這張圖為例，你可以把狗的耳朵當(dāng)成一個(gè)離散值節(jié)點(diǎn)，那么兩個(gè)狗耳朵就不需要兩個(gè)離散化節(jié)點(diǎn)了。這樣就提升了離散節(jié)點(diǎn)的表達(dá)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(cuò)了。VQGAN他的編碼器和解碼器都是CNN，并沒(méi)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(gè)CNN，一個(gè)生成式CNN生成圖像，一個(gè)判別式CNN對(duì)生成的真假打分。所以說(shuō)他整個(gè)pipeline是沒(méi)有transformer的。并不是編碼器和解碼器變成了transformer。
整個(gè)pipeline如上圖所示。從左到右看，下面一層就是VQGAN的整個(gè)pipeline，img到編碼器CNN，然后通過(guò)圖像分詞器tokenizer轉(zhuǎn)成 Zq，然后再通過(guò)GAN生成img。整個(gè)pipeline有三個(gè)CNN。編碼器cnn encoder，解碼器CNN decoder，然后是判別器CNN。
Transformer干的是哪個(gè)活呢？是對(duì)分詞器的優(yōu)化，和對(duì)Z- Zq表示的優(yōu)化。在VQ VAE中，分詞器就是一個(gè)pixel CNN，當(dāng)然這個(gè)也算是比較好的表達(dá)方式，如果你學(xué)過(guò)數(shù)字圖像處理這個(gè)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(chǎn)出最具有表達(dá)力的圖像詞匯表；第二個(gè)作用是，當(dāng)前的圖像，用了詞匯1-i-1共i個(gè)詞匯后，還需要哪個(gè)詞匯（圖像語(yǔ)義token），能更好的表達(dá)當(dāng)前的圖像，從而生產(chǎn)出最具有表達(dá)力的Zq。
事實(shí)上，這個(gè)transformer表達(dá)的分詞器詞匯表對(duì)整個(gè)模型來(lái)說(shuō)非常關(guān)鍵。
本文為作者獨(dú)立觀點(diǎn)，不代表鳥(niǎo)哥筆記立場(chǎng)，未經(jīng)允許不得轉(zhuǎn)載。
《鳥(niǎo)哥筆記版權(quán)及免責(zé)申明》 如對(duì)文章、圖片、字體等版權(quán)有疑問(wèn)，請(qǐng)點(diǎn)擊 反饋舉報(bào)
我們致力于提供一個(gè)高質(zhì)量?jī)?nèi)容的交流平臺(tái)。為落實(shí)國(guó)家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評(píng)論自律管理，為了保護(hù)用戶創(chuàng)造的內(nèi)容、維護(hù)開(kāi)放、真實(shí)、專業(yè)的平臺(tái)氛圍，我們團(tuán)隊(duì)將依據(jù)本公約中的條款對(duì)注冊(cè)用戶和發(fā)布在本平臺(tái)的內(nèi)容進(jìn)行管理。平臺(tái)鼓勵(lì)用戶創(chuàng)作、發(fā)布優(yōu)質(zhì)內(nèi)容，同時(shí)也將采取必要措施管理違法、侵權(quán)或有其他不良影響的網(wǎng)絡(luò)信息。
一、根據(jù)《網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國(guó)未成年人保護(hù)法》等法律法規(guī)，對(duì)以下違法、不良信息或存在危害的行為進(jìn)行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對(duì)憲法所確定的基本原則；
2)危害國(guó)家安全，泄露國(guó)家秘密，顛覆國(guó)家政權(quán)，破壞國(guó)家統(tǒng)一，損害國(guó)家榮譽(yù)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(yù)、榮譽(yù)；
4)宣揚(yáng)恐怖主義、極端主義或者煽動(dòng)實(shí)施恐怖活動(dòng)、極端主義活動(dòng)；
5)煽動(dòng)民族仇恨、民族歧視，破壞民族團(tuán)結(jié)；
6)破壞國(guó)家宗教政策，宣揚(yáng)邪教和封建迷信；
7)散布謠言，擾亂社會(huì)秩序，破壞社會(huì)穩(wěn)定；
8)宣揚(yáng)淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動(dòng)非法集會(huì)、結(jié)社、游行、示威、聚眾擾亂社會(huì)秩序；
10)侮辱或者誹謗他人，侵害他人名譽(yù)、隱私和其他合法權(quán)益；
11)通過(guò)網(wǎng)絡(luò)以文字、圖片、音視頻等形式，對(duì)未成年人實(shí)施侮辱、誹謗、威脅或者惡意損害未成年人形象進(jìn)行網(wǎng)絡(luò)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(nèi)容；
2. 不友善：不尊重用戶及其所貢獻(xiàn)內(nèi)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(dòng)成果；
2)誹謗：捏造、散布虛假事實(shí)，損害他人名譽(yù)；
3)嘲諷：以比喻、夸張、侮辱性的手法對(duì)他人或其行為進(jìn)行揭露或描述，以此來(lái)激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對(duì)方對(duì)自己的言論作出回應(yīng)，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(duì)方難堪；
6)謾罵：以不文明的語(yǔ)言對(duì)他人進(jìn)行負(fù)面評(píng)價(jià)；
7)歧視：煽動(dòng)人群歧視、地域歧視等，針對(duì)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(lái)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(yàn)、擾亂本網(wǎng)站秩序的內(nèi)容，或進(jìn)行相關(guān)行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務(wù)、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個(gè)帳號(hào)多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個(gè)廣告帳號(hào)互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉(zhuǎn)網(wǎng)站等，誘騙用戶點(diǎn)擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當(dāng)曝光；
6)購(gòu)買或出售帳號(hào)之間虛假地互動(dòng)，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關(guān)交易。
7)發(fā)布包含欺騙性的惡意營(yíng)銷內(nèi)容，如通過(guò)偽造經(jīng)歷、冒充他人等方式進(jìn)行惡意營(yíng)銷；
8)使用特殊符號(hào)、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗(yàn)的細(xì)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(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)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(yáng)低俗、庸俗、媚俗內(nèi)容。
5. 不實(shí)信息，主要表現(xiàn)為：
1)可能存在事實(shí)性錯(cuò)誤或者造謠等內(nèi)容；
2)存在事實(shí)夸大、偽造虛假經(jīng)歷等誤導(dǎo)他人的內(nèi)容；
3)偽造身份、冒充他人，通過(guò)頭像、用戶名等個(gè)人信息暗示自己具有特定身份，或與特定機(jī)構(gòu)或個(gè)人存在關(guān)聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測(cè)字、占卜、解夢(mèng)、化解厄運(yùn)、使用迷信方式治病；
2)求推薦算命看相大師；
3)針對(duì)具體風(fēng)水等問(wèn)題進(jìn)行求助或咨詢；
4)問(wèn)自己或他人的八字、六爻、星盤(pán)、手相、面相、五行缺失，包括通過(guò)占卜方法問(wèn)婚姻、前程、運(yùn)勢(shì)，東西寵物丟了能不能找回、取名改名等；
7. 文章標(biāo)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(lái)誘導(dǎo)用戶；
2)內(nèi)容與標(biāo)題之間存在嚴(yán)重不實(shí)或者原意扭曲；
3)使用夸張標(biāo)題，內(nèi)容與標(biāo)題嚴(yán)重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導(dǎo)未成年人應(yīng)援集資、高額消費(fèi)、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(dòng)「飯圈」粉絲攀比炫富、奢靡享樂(lè)等行為
4)以號(hào)召粉絲、雇用網(wǎng)絡(luò)水軍、「養(yǎng)號(hào)」形式刷量控評(píng)等行為
5)通過(guò)「蹭熱點(diǎn)」、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(nèi)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(huì)公德行為、誘導(dǎo)未成年人不良嗜好影響未成年人身心健康的；
2)不當(dāng)評(píng)述自然災(zāi)害、重大事故等災(zāi)難的；
3)美化、粉飾侵略戰(zhàn)爭(zhēng)行為的；
4)法律、行政法規(guī)禁止，或可能對(duì)網(wǎng)絡(luò)生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過(guò)主動(dòng)發(fā)現(xiàn)和接受用戶舉報(bào)兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質(zhì)量、傷害平臺(tái)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(dāng)一個(gè)用戶發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將依據(jù)相關(guān)用戶違規(guī)情節(jié)嚴(yán)重程度，對(duì)帳號(hào)進(jìn)行禁言 1 天、7 天、15 天直至永久禁言或封停賬號(hào)的處罰。當(dāng)涉及欺凌未成年人、危害未成年人身心健康、通過(guò)作弊手段注冊(cè)、使用帳號(hào)，或者濫用多個(gè)帳號(hào)發(fā)布違規(guī)內(nèi)容時(shí)，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺(tái)管理經(jīng)驗(yàn)的不斷豐富，本網(wǎng)站出于維護(hù)本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對(duì)本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過(guò)「建議反饋」功能向本網(wǎng)站進(jìn)行反饋。
(規(guī)則的最終解釋權(quán)歸屬本網(wǎng)站所有)