MUSE-VL: Modeling Unified VLM through Semantic Discrete Encoding

We introduce MUSE-VL, a Unified Vision-Language Model through Semantic discrete Encoding for multimodal understanding and generation. Recently, the research community has begun exploring unified models for visual generation and understanding. However, existing vision tokenizers (e.g., VQGAN) only co...

Ausführliche Beschreibung

Bibliographische Detailangaben

Veröffentlicht in:	arXiv.org 2024-12
Hauptverfasser:	Xie, Rongchang, Chen, Du, Song, Ping, Liu, Chang
Format:	Artikel
Sprache:	eng
Schlagworte:	Coding Performance enhancement Semantics Vision
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!