基于大型语料库训练的 Transformer 模型在自然语言处理中取得了巨大的成功，作为 Transformer 构建块，self-attention 极大地改变了计算机视觉任务。NLP 的成功不仅依赖于 Transformer 的计算效率和可扩展性，还依赖于对大量文本进行自监督学习。目前 NLP 领域存在两种主流的学习范式：基于自回归语言建模的 GPT 和基于掩码语言建模的 BERT，这两者在计算机视觉领域中也被重新设计，以便充分利用海量的网络图像。
然而，在视觉任务上设计具有相似风格的目标是具有挑战性的，因为图像作为一种高维和冗余的模态，在两个方面与文本不同：首先，文本由离散字符组成，而图像在颜色空间中呈现连续值；其次，文本中的离散 token 包含高级语义含义，而离散化的图像在像素级和 patch 级包含大量冗余 token。
因此，我们不禁会问是否有一种方法可以学习感知离散视觉 token，这将有助于图像预训练。
基于上述观察，来自中国科学技术大学、微软亚研等机构的研究者提出了学习感知 codebook（ perceptual codebook ，PeCo），用于视觉 transformer 的 BERT 预训练。目前，BEiT 成功地将 BERT 预训练从 NLP 领域迁移到了视觉领域。BEiT 模型直接采用简单的离散 VAE 作为视觉 tokenizer，但没有考虑视觉 token 语义层面。相比之下，NLP 领域中的离散 token 是高度语义化的。这种差异促使研究者开始学习感知 codebook，他们发现了一个简单而有效的方法，即在 dVAE 训练期间强制执行感知相似性。
该研究证明 PeCo 生成的视觉 token 能够表现出更好的语义，帮助预训练模型在各种下游任务中实现较好的迁移性能。例如，该研究使用 ViT-B 主干在 ImageNet-1K 上实现了 84.5% 的 Top-1 准确率，在相同的预训练 epoch 下比 BEiT 高 1.3。此外，该方法还可以将 COCO val 上的目标检测和分割任务性能分别提高 +1.3 box AP 和 +1.0 mask AP，并且将 ADE20k 上的语义分割任务提高 +1.0 mIoU。
方法
在自然语言中，词是包含高级语义信息的离散 token。相比之下，视觉信号是连续的，具有冗余的低级信息。在本节中，该研究首先简要描述了 VQ-VAE 的离散表示学习，然后介绍如何学习感知 codebook 的过程，最后对学习感知视觉 token 进行 BERT 预训练。
