VILA-U: a Unified Foundation Model Integrating Visual Understanding and Generation

Yecheng Wu, Zhuoyang Zhang, Junyu Chen, Haotian Tang, Dacheng Li, Yunhao Fang, Ligeng Zhu, Enze Xie, Hongxu Yin, Li Yi, Song Han, Yao Lu

arXiv:2409.04429 · 2026-07-27 공개 · arXiv · PDF

diffusion-models vision-language image-generation foundation-model pretraining autoregressive unified-model visual-understanding

Abstract

VILA-U is a Unified foundation model that integrates Video, Image, Language understanding and generation. Traditional visual language models (VLMs) use separate modules for understanding and generating visual content, which can lead to misalignment and increased complexity. In contrast, VILA-U employs a single autoregressive next-token prediction framework for both tasks, eliminating the need for additional components like diffusion models. This approach not only simplifies the model but also achieves near state-of-the-art performance in visual language understanding and generation. The success of VILA-U is attributed to two main factors: the unified vision tower that aligns discrete visual tokens with textual inputs during pretraining, which enhances visual perception, and autoregressive image generation can achieve similar quality as diffusion models with high-quality dataset. This allows VILA-U to perform comparably to more complex models using a fully token-based autoregressive framework.

한국어 요약

한 줄 요약

VILA-U는 단일 자동회귀 프레임워크로 시각 이해와 생성을 통합한 멀티모달 모델이다.

핵심 기여도

핵심 아이디어

VILA-U는 기존의 시각 언어 모델(VLM)이 이해와 생성을 별도 모듈로 처리하여 복잡도가 높고 정렬 문제를 일으킬 수 있다는 점을 개선한다. 이를 위해 단일 자동회귀 next-token prediction 프레임워크를 사용하여 텍스트와 이미지를 모두 토큰 단위로 처리한다. 핵심 아이디어는 통합된 시각 타워(Vision Tower)를 통해 CLIP 특성을 기반으로 이미지를 이산 토큰으로 변환하고, 대비 학습(Contrastive Learning)을 통해 텍스트와 정렬시킴으로써 시각 인지 능력을 향상시키는 것이다. 또한, 고질량 데이터셋을 기반으로 훈련된 자동회귀 이미지 생성이 확산 모델과 유사한 품질을 제공한다는 점이 핵심 통찰이다.

기술적 접근법

주요 결과

의의 및 한계

VILA-U는 단일 자동회귀 프레임워크로 시각 이해와 생성을 통합함으로써 모델 복잡도를 줄이고, 확산 모델에 의존하지 않는 새로운 접근법을 제시한다. 이는 멀티모달 모델의 설계 및 배포에 있어 실용적 가치가 크다. 그러나 대비 손실의 도입이 시각 타워의 재구성 능력에 영향을 미치며, 이해와 생성 작업 간의 상호작용 효과는 아직 명확하지 않다는 한계가 있다. 이는 향후 연구 주제로 제시된다.

실용적 활용

VILA-U는 멀티모달 챗봇, 자동 이미지 생성, 영상 요약 등 다양한 시각 언어 작업에 적용 가능하다. 특히, 복잡한 인프라 없이 단일 모델로 처리할 수 있어 클라우드 기반 서비스나 모바일 애플리케이션에 적합하다.