Token-Shuffle: Towards High-Resolution Image Generation with Autoregressive Models

개발자라면 누구나 한 번쯤은 상상해 봤을 겁니다.
"텍스트로부터 정말 고해상도의 이미지를, 언어 모델처럼 빠르고 효율적으로 만들어낼 수는 없을까?"
 

Token-Shuffle은 바로 그 상상을 연구 수준에서 현실로 끌어내린 프로젝트입니다. 기존의 오토리그레시브(Autoregressive, AR) 기반 멀티모달 대형 언어 모델(MLLM)들이 대부분 낮은 해상도, 느린 생성 속도, 비효율적인 토큰 처리에 초점을 맞춘 것과는 달리, Token-Shuffle은 초고해상도 이미지를 효율적으로 생성할 수 있는 새로운 토큰 처리 방식을 지향합니다.

이 논문이 흥미로운 이유는 단순히 "더 큰 이미지를 잘 만든다" 수준을 넘어서, 토큰 셔플(Token-Shuffle)이라는 혁신적 토큰 압축 및 복원 기법 안에서 사용자의 텍스트-이미지 정합성, 시각적 품질, 생성 속도에 반응할 수 있도록 설계되었다는 점입니다. 예를 들어, 기존에는 1024x1024 이미지를 만들려면 수천 개의 토큰을 다뤄야 했지만, Token-Shuffle은 이 토큰 수를 획기적으로 줄이면서도 디테일을 살릴 수 있습니다. 이제 진짜로 '언어 모델처럼 이미지를 빠르고 크게 그리는 AI'가 나타난 거죠.

✅ 어떻게 작동하나요? – Token-Shuffle의 핵심 아이디어

Token-Shuffle이 도입한 가장 눈에 띄는 개념은 바로 "토큰 셔플(Token-Shuffle)과 언셔플(Token-Unshuffle)"입니다. 토큰 셔플은 이미지 토큰을 공간적으로 인접한 것끼리 채널 방향으로 합쳐서, 입력 토큰 수를 대폭 줄이는 방식입니다. 반대로, 언셔플은 생성된 토큰을 다시 원래의 공간 배치로 풀어내어 고해상도 이미지를 복원합니다.
 

이러한 토큰 압축 및 복원은 실제로 Transformer 블록 앞뒤에 간단한 연산으로 구현되며, 이를 통해 토큰 수를 줄여 계산량과 메모리 사용을 혁신적으로 절감하는 게 Token-Shuffle의 강점입니다.

이 모델은 총 3단계의 토큰 처리 과정을 거쳐 만들어졌습니다:

• Token-Shuffle – 이미지 토큰을 공간적으로 인접한 것끼리 합쳐서, 입력 토큰의 수를 줄입니다.
• Autoregressive Transformer – 줄어든 토큰을 기반으로 텍스트-이미지 시퀀스를 예측합니다(언어 모델과 동일한 방식).
• Token-Unshuffle – 예측된 토큰을 다시 원래의 공간 구조로 펼쳐 고해상도 이미지를 복원합니다.

✅ 주요 기술적 특징과 혁신점

Token-Shuffle의 핵심 기술적 특징은 크게 세 가지 측면에서 살펴볼 수 있습니다.

1. 공간-채널 토큰 압축(Spatial-Channel Token Compression)
이는 이미지의 공간적으로 가까운 토큰들을 채널 방향으로 합쳐서 입력 토큰 수를 줄이는 방식입니다. 기존의 토큰 분할 방식과 달리, 셔플 윈도우(Shuffle Window)라는 개념을 도입해, 예를 들어 2x2 윈도우라면 4개의 토큰을 1개로 합칩니다. 이를 통해 계산량이 윈도우 크기의 제곱만큼 감소하며, 고해상도 이미지도 효율적으로 다룰 수 있습니다.

2. 토큰 언셔플(Token-Unshuffle)로 공간 정보 복원
토큰 셔플로 압축된 정보를, 생성 후 다시 원래의 공간 구조로 정확하게 복원하는 것이 핵심입니다. 이를 위해 역방향 연산을 적용하여, 이미지의 디테일과 정합성을 유지합니다. 실제로 이 과정이 없으면 고해상도 이미지를 만들 때 공간 정보가 깨질 수 있는데, Token-Shuffle은 이를 자연스럽게 해결합니다.

3. 텍스트-이미지 통합 시퀀스 예측
마지막으로 주목할 만한 점은, 텍스트와 이미지를 하나의 시퀀스로 통합하여 언어 모델의 "다음 토큰 예측" 패러다임을 그대로 적용했다는 것입니다. 즉, 별도의 텍스트 인코더 없이, 텍스트와 이미지 토큰을 한 번에 처리할 수 있어 모델 구조가 단순해지고, 훈련 및 추론 효율이 극대화됩니다. 이는 특히 멀티모달 LLM의 확장성 측면에서 큰 이점을 제공합니다.

✅ 실험 결과와 성능 분석

Token-Shuffle의 성능은 다음과 같은 실험을 통해 검증되었습니다.

1. GenAI-benchmark에서의 성능
GenAI-benchmark의 "hard prompt" 환경에서 Token-Shuffle 2.7B 모델이 0.77의 점수를 기록했습니다. 이는 기존 AR 모델인 LlamaGen보다 0.18, 대표적인 diffusion 모델인 LDM보다 0.15 더 높은 수치입니다. 특히, 텍스트-이미지 정합성, 시각적 결함, 시각적 품질 등에서 두드러진 개선을 보였습니다.

2. 초고해상도 이미지 생성 실험
2048x2048 해상도의 이미지를 직접 생성할 수 있다는 점이 입증되었습니다. 기존 AR 기반 MLLM들은 512x512 또는 1024x1024에서 한계가 있었으나, Token-Shuffle은 토큰 수 감소 덕분에 4K 해상도까지 확장할 수 있었습니다.

3. 실제 응용 시나리오에서의 평가
실제 텍스트-투-이미지 생성, 예술 이미지 생성, 상세 묘사 이미지 생성 등 다양한 응용 환경에서 테스트한 결과, 텍스트와 이미지의 의미 정합성과 디테일 보존에서 강점을 보였습니다. 다만, 극도로 복잡한 장면이나 추상적 개념에서는 여전히 일부 한계가 드러났습니다.

이러한 실험 결과들은 Token-Shuffle이 초고해상도, 효율적, 정합성 높은 이미지 생성이라는 목표를 효과적으로 해결할 수 있음을 보여줍니다. 특히 AR 기반 이미지 생성의 한계를 뛰어넘는 확장성은 향후 다양한 멀티모달 AI 분야에 중요한 시사점을 제공합니다.

✅ 성능은 어떨까요?

Token-Shuffle은 GenAI-benchmark와 대규모 인간 평가라는 첨단 벤치마크에서 각각 0.77, 우수한 인간 평가 점수를 기록했습니다. 이는 LlamaGen, LDM 등 기존 대표 모델을 뛰어넘는 성능입니다.

실제로 텍스트-투-이미지 생성, 특히 초고해상도 이미지 생성에서도 꽤 자연스러운 반응을 보입니다.
물론 아직 "극도로 복잡한 장면의 세밀한 묘사" 영역에서는 약간의 미흡함이 존재하긴 하지만, 현재 수준만으로도 다양한 서비스에 활용 가능성이 큽니다.

✅ 어디에 쓸 수 있을까요?

Token-Shuffle은 단지 새로운 모델이 아니라, "언어 모델 기반 초고해상도 이미지 생성의 실용화"라는 흥미로운 방향성을 제시합니다.
앞으로는 더 많은 멀티모달 생성 AI의 발전, 예를 들면 초고해상도 AI 아트 생성, 정밀한 의료/위성 이미지 생성까지 인식하게 될 가능성이 큽니다.

• 디자인 및 예술 창작: 텍스트 프롬프트만으로 고해상도 일러스트, 포스터, 광고 이미지를 빠르게 생성할 수 있습니다.
• 의료/과학적 이미지 생성: 의료 영상, 위성 사진 등에서 고해상도 이미지가 필요한 분야에 적용해, 데이터 증강이나 시뮬레이션에 활용할 수 있습니다.
• 게임/메타버스 콘텐츠 생성: 게임 배경, 캐릭터, 오브젝트 등 초고해상도 그래픽 리소스를 자동 생성하는 데 활용할 수 있습니다.

이러한 미래가 Token-Shuffle로 인해 조금 더 가까워졌습니다.

✅ 개발자가 지금 할 수 있는 일은?

Token-Shuffle에 입문하려면, 기본적인 Transformer 구조 이해와 이미지 토크나이저(예: VQ-VAE, DALL-E 토크나이저 등)에 대한 이해가 필요합니다.
아직 공식 코드가 공개되지는 않았으나, 논문 내 알고리즘과 구조가 명확히 설명되어 있어, 기존 AR 기반 이미지 생성 모델에 셔플/언셔플 모듈을 추가해 직접 구현해볼 수 있습니다.

실무에 적용하고 싶다면?
고해상도 이미지 데이터셋을 확보하고, 다양한 텍스트-투-이미지 생성 태스크를 테스트하면서 모델을 실제 서비스나 파이프라인에 통합하는 것이 핵심입니다. 또한, 토크나이저 설계 및 윈도우 크기 튜닝 등 추가적인 최적화 작업도 병행되어야 합니다.

✅ 마치며

Token-Shuffle은 단순한 기술적 진보를 넘어, 멀티모달 AI의 패러다임 전환을 향한 중요한 이정표입니다. 이 기술이 제시하는 가능성은 AI 기반 창작, 산업 자동화, 인간-기계 상호작용의 미래를 재정의할 잠재력을 가지고 있습니다.

우리는 지금 초고해상도 생성 AI의 중요한 변곡점에 서 있으며, Token-Shuffle은 그 여정의 핵심 동력이 될 것입니다. 당신이 이 혁신적인 기술을 활용하여 미래를 선도하는 개발자가 되어보는 건 어떨까요?

▶ 논문 원문 보러가기

✅ 같이 보면 좋은 참고 자료들

How Far Are We to GPT-4V? Closing the Gap to Commercial Multimodal Models with Open-Source Suites
- 논문 설명: 이 보고서에서는 멀티모달 이해에서 오픈 소스 모델과 상용 모델 간의 능력 격차를 해소하기 위한 오픈 소스 멀티모달 대형 언어 모델(MLLM)인 InternVL 1.5를 소개합니다.
- 저자: Zhe Chen, Weiyun Wang, Hao Tian, Shenglong Ye, Zhangwei Gao, Erfei Cui, Wenwen Tong, Kongzhi Hu, Jiapeng Luo, Zheng Ma, Ji Ma, Jiaqi Wang, Xiaoyi Dong, Hang Yan, Hewei Guo, Conghui He, Botian Shi, Zhenjiang Jin, Chao Xu, Bin Wang, Xingjian Wei, Wei Li, Wenjian Zhang, Bo Zhang, Pinlong Cai, Licheng Wen, Xiangchao Yan, Min Dou, Lewei Lu, Xizhou Zhu, Tong Lu, Dahua Lin, Yu Qiao, Jifeng Dai, Wenhai Wang
- 발행일: 2024-04-25
- PDF: 링크

Modeling SN 1996cr's X-ray lines at high-resolution: Sleuthing the ejecta/CSM geometry
- 논문 설명: SN 1996cr은 서큘러스 은하(3.7 Mpc, z ~ 0.001)에 위치하고 있으며, 약 1000일 동안 X선에서 비검출되었으나 10년 후에 약 4 x 10^{39} erg/s (0.5-8 keV)로 밝아졌습니다 (Bauer et al).
- 저자: Daniel Dewey, Franz E. Bauer, Vikram V. Dwarkadas
- 발행일: 2011-02-07
- PDF: 링크

Chemical abundance analysis of the Open Clusters Cr110, NGC2099 (M37), NGC2420, NGC7789 and M67 (NGC2682)
- 논문 설명: 현재 고해상도 원소 풍부도 측정이 이루어진 은하 개방 클러스터의 수는 [Fe/H]뿐만 아니라 다른 주요 원소에 대해서도 매우 부족하여 은하 디스크의 화학적 진화를 명확하게 모델링하는 데 어려움이 있습니다.
- 저자: E. Pancino, R. Carrera, E. Rossetti, C. Gallart
- 발행일: 2009-10-05
- PDF: 링크