RUNG：让语言成为视觉的低码率编码，从词到像素的逐级细化

研究者提出 RUNG，一种有序视觉编码：前缀由字幕摘要阶梯监督，全长重建图像，生成即延长编码、字幕即截断编码。在数据与容量固定下，按语言而非重建排序使前缀-字幕信息量提升 2.9 倍，GenEval 从 0.76 升至 0.83，代价是四分之一码长处 PSNR 下降 2.8 dB、全长仅降 0.1 dB。