本文介绍了一种新的向量量化训练方案DiVeQ，采用STE技巧，无需额外的Aux Loss，使训练过程更加简洁。DiVeQ在视觉理解和生成中表现出色，解决了传统方法的超参数调节问题。

本研究提出了一种去噪扩散概率模型（DDPM-PCC），用于低比特率点云压缩。该模型通过PointNet编码器生成条件向量，并利用可学习向量量化器进行量化，显著提高了比特率-失真性能，优于现有技术。

本研究提出了一种新在线算法TurboQuant，旨在解决向量量化中的均方误差和内积失真问题。该算法通过随机旋转输入向量和优化标量量化器，有效保持几何结构。实验结果表明，其在关键值缓存量化和最近邻搜索中优于现有技术。

本研究提出了NoWag框架，旨在解决大型语言模型在资源受限环境中的应用问题。NoWag实现了无损形状保留压缩，显著优于现有的向量量化和修剪方法，为未来研究提供了新思路。

本文针对传统人工智能代理在突现语言游戏中缺乏内部语言学习能力的问题，提出了一种新方法VQEL，结合向量量化，使代理能够在自我博弈中自主创造和发展离散的符号表示。实验结果表明，VQEL在性能上超越了传统的REINFORCE方法，且通过向量量化提高了控制能力，减少了系统崩溃的可能性。

本研究提出了一种名为RVRAE的动态因子模型，结合变分循环自编码器，专注于市场数据的时间依赖性和噪声。RVRAE通过先验-后验学习优化，特别适用于波动性股票市场的风险建模和回报预测。实证测试表明其性能优于其他方法。

该研究提出了一种索引反向传播量化（IBQ）方法，解决了现有向量量化在可扩展性方面的不足，并优化了代码本与视觉编码器的联合训练。实验结果表明，IBQ在视觉生成任务中表现优异。

VQVAE是一种无监督学习的离散表征方法，结合了自回归模型和生成模型的优点。通过设计离散字典和直通估计器，VQVAE有效建模离散数据，核心在于向量量化和EMA更新字典，支持多尺度特征提取，提升生成效果。

本研究提出了一种新方法SimVQ，旨在解决向量量化模型中潜在空间表示崩溃的问题，并优化线性空间。实验结果表明，该方法在多种模态下表现优异。

本研究提出了一种向量量化元学习方法（MetaRec），旨在提升可转移序列推荐系统的性能。该方法整合多个源领域的用户-物品互动数据，有效解决输入异质性问题，从而显著改善推荐效果。

我们提出了一种框架，能够通过语音生成真实感的全身虚拟人物姿势，包括面部和手部动作。结合向量量化和扩散技术，该模型生成动态且富有表现力的运动，并利用多视角对话数据集进行研究。实验结果表明，该模型在姿势生成方面优于传统方法，突出了细微运动细节的重要性。

向量量化是一种数据压缩技术，用于减少高维数据的大小。常用方法有标量量化、二进制量化和乘积量化。标量量化将数据映射为较小的int8类型，减少内存；二进制量化将向量转换为二进制表示，提高速度并减少内存；乘积量化通过子向量和码本实现高压缩率。每种方法在内存、速度和准确性上有不同的权衡。