MixTok：结合全局1D token与稀疏2D细化的自适应视觉分词方法

MixTok 是一种混合视觉分词器，将紧凑的1D全局表示与用于局部细化的稀疏2D token 结合，由内容自适应路由器按细化优先级排序候选位置，并在目标平均 token 预算下决定每张图的2D token 数量，在得分最高位置用2D token 特征替换从1D表示恢复的空间特征，再由共享解码器重建图像。