Jingfeng Yao1, Yuda Song2, Yucong Zhou2, Xinggang Wang1,*
1华中科技大学
2深脑科技(MiniMax)
*通讯作者:xgwang@hust.edu.cn
研究工作仍在进行中。
通过融合对比学习、自监督学习和重构学习,我们从零开始训练了多个视觉分词器。本研究旨在揭示理解、生成与重构之间新的可扩展性关联。
在DiT训练中保持相同计算量,VTP的规模提升有助于实现更优生成效果。
传统自编码器无法针对扩散生成模型进行规模扩展。
理解能力是提升学习可扩展性的关键驱动力。
在涉及表示学习时,可观察到参数、数据和训练的可扩展性。
权重即将发布。
pip install -r requirements.txtimport torch
from PIL import Image
from torchvision import transforms
from vtp.models.vtp_hf import VTPConfig, VTPModel
from vtp.tokenizers import get_tokenizer
model = VTPModel.from_pretrained("/path/to/MiniMaxAI/VTP-Large-f16d64")
model.eval()
# print model parameters
def count_params(m): return sum(p.numel() for p in m.parameters()) / 1e6
print(f"Vision Encoder: {count_params(model.trunk):.1f}M")
print(f"Pixel Decoder: {count_params(model.pixel_decoder):.1f}M")
print(f"Text Encoder: {count_params(model.text_transformer):.1f}M")
preprocess = transforms.Compose([
transforms.Resize((256, 256)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
image = preprocess(Image.open("figures/dog.png")).unsqueeze(0)
# ---------------------------------------------------------------------------------------
# use it as auto-encoder; rFID=0.36
# ---------------------------------------------------------------------------------------
denormalize = transforms.Normalize(
mean=[-0.485/0.229, -0.456/0.224, -0.406/0.225],
std=[1/0.229, 1/0.224, 1/0.225]
)
with torch.no_grad(), torch.autocast("cuda"):
latents = model.get_reconstruction_latents(image) # encode
recon = model.get_latents_decoded_images(latents) # decode
recon_image = denormalize(recon[0]).clamp(0, 1).permute(1, 2, 0).cpu().numpy()
Image.fromarray((recon_image * 255).astype("uint8")).save("output/reconstructed.png")
# ---------------------------------------------------------------------------------------
# use it as clip; zero-shot 78.2
# ---------------------------------------------------------------------------------------
tokenizer = get_tokenizer('ViT-B-32', context_length=model.config.text_context_length)
text = tokenizer(["a diagram", "a dog", "a cat", "a person"])
with torch.no_grad(), torch.autocast("cuda"):
image_features = model.get_clip_image_feature(image, normalize=True)
text_features = model.get_clip_text_feature(text, normalize=True)
text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)
print("Label probs:", [f"{p:.4f}" for p in text_probs[0].tolist()])
# ---------------------------------------------------------------------------------------
# use it as ssl feature extractor; linear probing 85.7
# ---------------------------------------------------------------------------------------
with torch.no_grad(), torch.autocast("cuda"):
# get last layer features (cls token + patch tokens)
features = model.get_last_layer_feature(image)
cls_token = features['cls_token'] # (B, 1024)
patch_tokens = features['patch_tokens'] # (B, 256, 1024) for 256x256 image
# or get intermediate layer features for linear probing
intermediate = model.get_intermediate_layers_feature(
image, n=4, return_class_token=True
) # returns 4 x (patch_tokens, cls_token), each cls_token is (B, 1024)
for i in range(1, 5):
print('Last %d layers:' % i)
print('Patch tokens shape:', intermediate[-i][0].shape)
print('Cls token shape:', intermediate[-i][1].shape)| 模型 | 理解能力 | 重构能力 | 生成能力 | |
|---|---|---|---|---|
| 零样本准确率 | 线性探测 | rFID | LightningDiT-XL 80轮训练 无配置 FID-50K | |
| OpenCLIP | 74.0 | - | - | - |
| CLIP | 75.5 | - | - | - |
| SigLIP | 80.5 | - | - | - |
| MAE | - | 85.9 | - | - |
| DINOv2 | - | 86.7 | - | - |
| UniTok | 70.8 | - | 0.41 | - |
| VILA-U | 73.3 | - | 1.80 | - |
| VA-VAE-f16d32 | - | - | 0.28 | 4.29 |
| VA-VAE-f16d64 | - | - | 0.15 | - |
| RAE-f16d768 | - | 84.5 | 0.57 | 4.28 |
| VTP-S-f16d64 (我们的模型) | 66.7 | 77.5 | 0.98 | 5.46 |
| VTP-B-f16d64 (我们的模型) | 73.2 | 81.0 | 0.74 | 3.88 |
| VTP-L-f16d64 (我们的模型) | 78.2 | 85.7 | 0.36 | 2.81 |
视觉编码器(如变分自编码器,VAEs)中潜在空间的质量对于现代生成模型至关重要。然而,标准的基于重建的训练范式所产生的潜在空间偏向于低级信息,这导致了一个根本性缺陷:更高的像素级精度并不一定带来更高质量的生成结果。 这意味着,在视觉编码器预训练上投入大量计算资源,并不能很好地转化为生成性能的提升。
我们将此问题定义为**“预训练缩放难题”,并提出需要进行必要的转变:为了有效地支持生成任务,潜在空间必须能够简洁地表示高级语义。 我们提出了视觉编码器预训练框架VTP**(Visual Tokenizer Pre-training),这是一个统一的视觉编码器预训练框架,开创性地联合优化了图像-文本对比损失、自监督损失和重建损失。我们的大规模研究揭示了两个主要发现:(1)理解能力是生成能力的关键驱动因素;(2)更优的缩放特性,即生成性能会随着分配给视觉编码器预训练的计算资源、参数和数据的增加而有效提升。经过大规模预训练后,我们的编码器展现出极具竞争力的性能指标(78.2的零样本准确率,0.36的rFID),并且在生成任务上的收敛速度比先进的蒸馏方法快3倍。更重要的是,它具有出色的缩放能力:在不修改标准DiT训练规格的情况下,仅通过在VTP预训练中投入更多FLOPS,下游生成任务的FID指标就实现了65.8%的提升,而传统自编码器在仅使用1/10 FLOPS时就早早陷入停滞。
conda create -n vtp python=3.10
conda activate vtp
git submodule update --init --recursive
pip install -r requirements.txt修改 scripts/test_zero_shot_hf.sh 中相应的路径。运行:
bash scripts/test_zero_shot_hf.sh 修改 scripts/test_linear_probing_hf.sh 中的相应路径。运行:
bash scripts/test_linear_probing_hf.sh修改 scripts/test_reconstruction_hf.sh 中的相应路径。运行:
bash scripts/test_reconstruction_hf.sh我们使用 LightningDiT 代码来评估我们的生成性能。
特征提取:
bash generation/scripts/extract_features_vtp.sh generation/configs/train_vtp_l_dit_xl.yamlLightningDiT 训练:
bash generation/scripts/train_lightningdit_vtp.sh generation/configs/train_vtp_l_dit_xl.yamlLightningDiT 采样:
bash generation/scripts/inference_lightningdit_vtp.sh generation/configs/train_vtp_l_dit_xl.yaml我们的预训练代码基于OpenCLIP和DINOv2构建。我们最终的模型变体采用了DINOv3架构。
我们使用LightningDiT进行生成评估。
感谢他们提供的优秀代码。
@article{vtp,
title={Towards Scalable Pre-training of Visual Tokenizers for Generation},
author={Yao, Jingfeng and Song, Yuda and Zhou, Yucong and Wang, Xinggang},
journal={arXiv preprint arXiv:2512.13687},
year={2025}
}请通过 model@minimax.io 与我们联系。