MixTok：结合全局 1D token 与稀疏 2D 精修的自适应视觉分词方法

MixTok 提出一种混合视觉分词器，用紧凑 1D 全局表示结合稀疏 2D token 做局部精修，并通过内容自适应路由器在平均 token 预算下选定需要精修的位置。在 ImageNet 256x256 上，平均约 128 个内容 token 重建 rFID 达 1.195，约 131 个 token 生成 gFID 达 1.95。项目页与 GitHub 仓库已公开。