本研究提出了一种自适应速率任务导向矢量量化（ARTOVeQ）机制，旨在解决远程推断中因通信通道速率限制而导致的数据压缩问题。ARTOVeQ能够动态调整压缩率，从而提升推断速度和效率。

本文介绍了一种创新的手语翻译方法，利用矢量量化和转换器将口语文本转化为动作序列，显著提高了翻译性能。研究提出的新框架有效解决了视觉与文本之间的对齐问题，并在多个数据集上取得了优异的结果，推动了手语翻译技术的发展。

本文介绍了一系列创新方法用于手语自动翻译，包括利用矢量量化和转换器将口语文本转化为动作序列，开发高质量手语视频的方法，以及基于关键点的损失函数的SignGAN模型。这些方法在多个手语数据集上表现优于传统技术，显著提高了翻译的准确性和流畅性。

该研究提出了多种手语翻译方法，包括基于规则的启发式方法和视觉-语言预训练模型，显著提高了手语到文本的翻译准确性。通过创新的矢量量化和任务感知网络，研究在多个基准数据集上取得了优异的BLEU得分，推动了手语翻译技术的发展。

该论文提出了一种新型手语矢量量化网络，通过向量量化生成手语姿势序列的离散表示，提升手语翻译性能。利用音素表示和数据增强技术，该方法在多个数据集上取得最佳BLEU-4得分，展示了手语自动翻译的潜力。

该文介绍了一种替代矢量量化的离散化表示方法——有限标量量化（FSQ），通过每信道量化构建隐式编码本，将表示投射到低维空间，实现端到端训练，无需特殊损耗或编码本优化技巧。FSQ在图像生成、分割和深度估计等任务中实现了同等性能，提供了比VQ更简单但功能更强大的替代方案。