पेपर और शोध

VideoFlexTok: परिवर्तनीय लंबाई का मोटे से बारीक वीडियो टोकनाइजेशन

मूल शीर्षक:VideoFlexTok: Flexible-Length Coarse-to-Fine Video Tokenization

AI सारांश

VideoFlexTok ने परिवर्तनीय लंबाई वाले टोकन अनुक्रमों के माध्यम से वीडियो प्रस्तुति की एक विधि प्रस्तुत की, जिसमें मोटे से बारीक संरचना अपनाई गई है—पहला टोकन सिमेंटिक और गति जैसी अमूर्त जानकारी कैप्चर करता है, बाद के टोकन बारीक विवरण जोड़ते हैं, और जनरेटिव फ्लो डिकोडर किसी भी संख्या के टोकन के साथ वीडियो पुनर्निर्माण का समर्थन करता है। पारंपरिक 3D ग्रिड टोकनाइजेशन की तुलना में, यह संरचना डाउनस्ट्रीम आवश्यकताओं के अनुसार टोकन संख्या समायोजित करने देती है और समान बजट में लंबे वीडियो एन्कोड करती है। श्रेणी और टेक्स्ट-टू-वीडियो जनरेशन कार्यों में, VideoFlexTok ने 1.1B पैरामीटर (5.2B का 1/5) के साथ तुलनीय जनरेशन गुणवत्ता (gFVD और ViCLIP Score) हासिल की। 10 सेकंड के 81 फ्रेम वाले वीडियो को संभालने वाले टेक्स्ट-टू-वीडियो मॉडल के प्रशिक्षण में केवल 672 टोकन लगे, जो समान 3D ग्रिड टोकनाइजर से 8 गुना कम है।

मुख्य जानकारी

  • VideoFlexTok ने परिवर्तनीय लंबाई वाले टोकन अनुक्रमों के माध्यम से वीडियो प्रस्तुति की एक विधि…
  • 1B पैरामीटर (5.
  • 2B का 1/5) के साथ तुलनीय जनरेशन गुणवत्ता (gFVD और ViCLIP Score) हासिल की। 10 सेकंड के 81 फ्रेम…

एक नज़र में

प्रकाशन समय
अपडेट समय
स्रोत
Apple Machine Learning Research(RSS)
श्रेणी
पेपर और शोध
AI स्कोर
56
मूल पढ़ें मूल स्रोत पर पूरा लेख पढ़ें
सुझाव का कारण

把视频 tokenization 从固定网格改成变长 coarse-to-fine,训练效率提升明显,还能做更长的视频。研究角度挺漂亮,但离产品落地还有距离,做视频生成的可以追一下。

स्रोत और कॉपीराइट

यह लेख AIHOT के सार्वजनिक API की चयनित सुर्खियों और AI सारांशों के आधार पर तैयार किया गया है, स्रोत का उल्लेख और लिंक दिया गया है; मूल पाठ का कॉपीराइट मूल मीडिया और लेखक के पास है, यह साइट पूरा पाठ मिरर नहीं करती।

मूल लिंक · AIHOT प्रविष्टि

उद्धरण कैसे दें

इस लेख का उद्धरण देते समय शीर्षक, तिथि और स्थायी लिंक बनाए रखें और स्रोत Orange News बताएं।

Orange News: VideoFlexTok: परिवर्तनीय लंबाई का मोटे से बारीक वीडियो टोकनाइजेशन। 2 जुलाई 2026। https://new.nat6.net/hi/news/cmr3rd0l901busl7l11krygj3/

सभी देखें →