arXiv new; visual tokenizer / VQ representation · P0 · 2026-07-21

Distributional Matching for Vector Quantization：它和通用视觉自监督的关系在于：把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征...

高相关；详见方法、贡献和实验边界。

Distributional Matching for Vector Quantization: A Unified Theoretical and Empirical Framework　arXiv new; visual tokenizer / VQ representation　原文链接

编号2607.15933 优先级P0 类别arXiv new; visual tokenizer / VQ representation 会议arXiv new; visual tokenizer / VQ representation 方法把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征学习都有底层价值来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征... 高相关；详见方法、贡献和实验边界。

**Figureure 4 · : Illustration of the Wasserstein VQ**Figure 4: Illustration of the Wasserstein VQ. The architecture integrates an encoder-decoder network with a VQ module. In the VQ module, we augment the vanilla VQ framework [49] by incorporating our proposed Wasserstein loss $L_{W}$ to achieve distributional matching between features $z_{e}\left(z_{e}^{ij} \sim \mathcal{P}_{A}\right)$ and the codebook $e_{k}\left(e_{k} \sim \mathcal{P}_{B}\right)$ .这张图概括 Distributional Matching for Vector Quantization 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**(b) Data Sample Size Figure 10: Computational overhead (seconds) comparison between Wasser**(b) Data Sample Size Figure 10: Computational overhead (seconds) comparison between Wasserstein VQ and MMD VQ.这张图/表用于判断 Distributional Matching for Vector Quantization 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征学习都有底层价值。

方法拆解

把 VQ 训练不稳定与 codebook collapse 归因于 feature/code distribution mismatch，对视觉 tokenizer、AR 图像模型和离散表征学习都有底层价值

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。