画像は「言葉だけ」でどこまで送れるか――中間特徴とプロンプト再生成を比較した小規模検証
- 画像生成モデルの中間特徴とプロンプト再生成を比較し、通信効率と画像再現性を検証した
- 中間特徴の量子化と文章による画像再生成の2方式を比較、Qwen3-VL-4B-Instructが最も高いCLIP類似度を達成
- 文章方式は数百バイトで画像の意味を伝えられるが、元画像の詳細な復元には限界があり、専用復号器の学習が課題となる
画像は「言葉だけ」でどこまで送れるか――中間特徴とプロンプト再生成を比較した小規模検証


