本研究提出了UniTok，一个统一的视觉分词器，旨在解决视觉生成与理解之间的代表性差异。UniTok能够同时编码细粒度细节和高层语义，通过多代码簿量化扩展潜在特征空间，显著提升视觉任务的表现。

本研究探讨条件潜在扩散模型（CLDMs）在图像修复中的应用，发现其在捕捉高层语义方面表现优异，但在提升图像感知质量和处理轻微降质时存在困难，传统方法更具优势。

本研究提出了显式语义嵌入与丰富（EEES）框架，以解决可见-红外行人重新识别中的高层语义感知不足问题。实验结果表明，该方法在模态不变性方面显著优于传统方法。