每天有大量视频被上传和处理，对计算资源造成巨大压力。问题不仅在于数据量庞大，还在于数据结构的低效。视频中的像素数据通常包含大量冗余信息，相邻像素往往存储几乎相同的内容，这浪费了资源并降低了系统处理视觉内容的效率。为解决这一问题，我们提出了将视觉数据压缩为更紧凑形式的新方法。在论文《VidTok：一个多功能且开源的视频分词器》中，我们介绍了一种将视频数据转换为小型化、结构化单元（即“tokens”）的技术。VidTok能够将原始视频 footage 转换为AI可轻松处理的格式，为从事视觉世界建模的研究人员和开发者提供了一个灵活高效的工具，推动机器学习在图像和视频理解领域的进步。

本专栏通过快照技术转载，仅保留核心内容

内容中包含的图片若涉及版权问题，请及时与我们联系删除