Varest：基于语义的图像Token压缩方法

Varest用语义引导的变分辨率合并与寄存器剪枝压缩图像Token。

资讯摘要

论文提出图像Token压缩方法 Varest，依据“语义可替换性”原则：语义连贯区域可粗粒度汇总，物体边界与文字需更细粒度保留。方法用物体与文字定位器引导变分辨率合并，并在解码器早期处理后用学习到的 [REL] 寄存器剪枝视觉Token；跨预算训练使每个骨干网络只需一个检查点。作者报告在三个骨干网络和13个基准上，各评估预算下平均性能保留率均优于15个基线，仅用原图Token数5.56%即可保留86.10%–92.33%的全Token性能。

要点速读

1. 论文提出 Varest，用物体与文字定位器引导变分辨率Token合并，保留边界与文字细节。
2. 解码器早期处理后通过学习的 [REL] 寄存器剪枝视觉Token，跨预算训练实现每骨干一个检查点。
3. 作者报告在3个骨干、13个基准上优于15个基线，5.56% Token量保留86.10%–92.33%性能。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。