RUNG：让语言成为视觉的低码率编码，从词到像素的逐级细化

研究将图像描述与文生图统一为逐级细化框架，提出有序视觉编码 RUNG：前缀由描述摘要阶梯监督，全长重建图像。在数据与容量固定下，按语言而非重建排序使前缀-描述信息量提升 2.9 倍，GenEval 从 0.76 升至 0.83，代价是四分之一码长时 PSNR 下降 2.8 dB、全长仅降 0.1 dB。