RQ-VAE通过多级残差量化解决VQ-VAE码本受限和量化误差大的问题：每级量化前级残差，表征容量达K^D，模型规模仅线性增长，并能学习由粗到细的层次语义，广泛用于推荐系统。

本研究提出了一种新的多粒度手势生成框架M3G，解决了基于音频生成全身人类手势时粒度固定的问题。M3G利用多粒度VQ-VAE技术，能够以不同时间粒度标记和重建运动模式，实验结果表明其在生成自然、富有表现力的全身手势方面优于现有方法。

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。

本文探讨了基于VQ-VAE和GPT的人体运动生成框架，提出了InterGen、CHOIS和HOI-DM等方法，以提高生成质量和多样性。研究表明，通过文本指令生成逼真的人-物互动动作，显著改善了在机器人、游戏和动画等领域的应用效果。

本文提出了一种自适应行动量化方案，利用 VQ-VAE 学习状态条件的行动量化，解决了行动空间的指数爆炸问题。在复杂机器人操作任务中，通过离线强化学习算法实现了性能提升，特别是在 Robomimic 环境中，离散化方法相比于连续方法提高了 2-3 倍的效率。

本文研究了基于 VQ-VAE 和 GPT 的人体运动生成框架，提出了多种提升生成质量的方法，包括运动检索、文本生成评估和无监督学习。通过创新模型和数据集，展示了在复杂文本描述下生成高质量、丰富多样的3D动作序列的能力，尤其在 HumanML3D 和 KIT-ML 数据集上表现优异。

德国海德堡大学IWR团队发表了整合VQVAE和GAN的VQGAN模型，使用Transformer合成高分辨率图像，并提供了代码实现。

该文综述基于深度学习的可变速率图像压缩，涵盖条件自编码器、选择性压缩、变量量化控制器、软硬编码、Transformer及层次VQ-VAE等方法，通过调整量化步长或重要性映射实现多码率，率失真性能与视觉质量优于JPEG和JPEG2000。

本文综述深度学习图像压缩研究，提出非二元鉴别器并结合VQ-VAE量化局部表示，在CLIC2020等数据集上优于HiFiC，同等FID下节省30-40%比特。研究还涵盖端到端编解码、感知与对抗损失、扩散模型解码及JointIQ-Net等，兼顾失真与感知质量。

该文章介绍了一种多阶段、多码本的高效神经TTS合成方法，使用VQ-VAE编码语音训练数据的Mel频谱图，并通过多阶段逐渐下采样，将其量化为多个具有不同时间分辨率的MSMC表示。神经声码器将预测的MSMCR转换为最终语音波形。实验证明，该方法在英语TTS数据库中性能优于基准值，同时低参数的紧凑版本也能保持高性能。

本文介绍了优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了一种优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了一种优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文提出了一种增强 VQ-VAE 结构的频率补全模块和动态频谱损失，用于平衡频率以获得最佳重建。FA-VAE 进一步扩展到文本到图像合成任务中，并提出了交叉注意力自回归变换器以获得更精确的文本语义属性。实验结果表明，FA-VAE 能够更忠实地恢复细节，CAT 在图像文本语义对齐方面也显示出更好的生成质量。

本文介绍了一种基于 Transformer 的 VQ-VAE 的优先级中心的 M2DM 模型，用于逆扩散过程中的动作表示。该模型在保真度和多样性方面超过了现有技术，尤其对于复杂的文本描述。

本文介绍了一种基于 Transformer 的 VQ-VAE 模型，用于逆扩散过程中的动作表示。该模型在保真度和多样性方面超过了现有技术，尤其对于复杂的文本描述。