QuadTok：用于自回归图像生成的四叉树视觉 tokenizer

QuadTok 提出用于视觉 tokenization 和自回归图像生成的分层四叉树结构，在空间绑定与序列灵活性之间折中。其 ImageNet 训练 tokenizer 相比固定 256-token 网格在 ImageNet 节省约 10% tokens，零样本迁移到 COCO 节省 9%，947M GPT-style 生成模型在 ImageNet 256 × 256 上达到 2.08 gFID。