ImagePiece: Content-aware Re-tokenization for Efficient Image Recognition

Created on November 10, 2025

2025   ·   AI   ·   Paper

ArXiv http://arxiv.org/abs/2412.16491
Authors Seungdong Yoa, Seungjun Lee, Hyeseung Cho, Bumsoo Kim, Woohyung Lim
Affiliation LG AI Research, Chung-ang University
💡
 Key Differentiator
Attention 점수가 낮은 Non-sementic한 Token끼리만 Merging
→ 최대한 Token Merging에서 의미있는 것들이 Merge되지 않도록 Token Reduction
🤷
 Why I chose this paper?
  • 우리나라 기업이 내는 논문을 읽고싶었다.
  • 내가 최근에 제출했던 Efficient GUI Grounding 논문의 후속연구를 Token 기반으로 확장하고 싶었다.

    • Abstract

    Vision Transformer는 모든 패치를 토큰으로 처리하기 때문에 계산량이 큼

    → 기존 연구들은 토큰을 제거(pruning) 하거나 합치기(merging)

    → 각 토큰이 의미를 충분히 담고 있지 않아서 의미 없는 토큰을 단순히 제거하거나 섞으면 오히려 정보 손실이 큼

    이 논문은 ‘ImagePiece’ 라는 새로운 재토크나이제이션(re-tokenization) 방식을 제안

    https://wikidocs.net/166826

    WordPiece tokenizer처럼 이미지 안의 의미 없는 작은 패치들을 합쳐서 의미 있는 단위가 될 때까지 묶는 방식

  • local coherence 모듈: 인접한 패치들의 유사성을 높여, 서로 의미를 형성하도록 도움
  • 이렇게 만들어진 새로운 “의미 있는 토큰”만 Transformer에 남기고, 끝까지 의미가 없는 토큰은 버린다.

    • 결과

  • DeiT-S 모델 기준 추론 속도 54% 향상 (약 1.5배 빠름)
  • 동시에 ImageNet 정확도 0.39% 향상
  • 극단적인 속도 조건(251% 가속)에서도 기존 방식보다 정확도가 8% 이상 높음

    • Preliminary

    Vision Transformer(ViT)

  • Transformer는 원래 NLP용 모델이지만,

    이미지에도 적용되면서 Vision Transformer(ViT) 가 등장 (Dosovitskiy et al., 2021)

  • 이미지를 정사각형 패치(p×p) 로 나누고, 각 패치를 하나의 토큰(token) 으로 변환해 Transformer에 입력
  • 224×224 이미지, 패치 크기 16×16 → (224/16)2=142=196(224/16)^2 = 14^2 = 196 개의 토큰 생성

    여기에 [CLS] 토큰을 추가해 총 197개의 토큰이 Transformer 입력

  • Token Importance (토큰 중요도 평가)
  • ViT 내부에서는 [CLS] 토큰이  전체 이미지의 전역 정보를 요약하는 역할을 함.
  • 각 토큰의 중요도는  [CLS] 토큰이 해당 토큰에 얼마나 주의를 두는가(attention) 로 측정
    • Aclass=Softmax(QclassK⊤D) A_\text{class} = \text{Softmax}\left( \frac{Q_\text{class} K^\top}{\sqrt{D}} \right)
    xclass=AclassVx_\text{class} = A_\text{class} V
  • QclassQ_\text{class} : [CLS] 토큰의 query 벡터
  • K,VK, V: 전체 토큰의 key, value 행렬
  • AclassA_\text{class}: 각 토큰이 [CLS]에 의해 얼마나 중요하게 여겨지는지 나타내는  attention score

    • → 이  attention score 값이 높을수록, 그 토큰은 전체 이미지 의미를 구성하는 데 더 중요함을 의미.

  • 각 토큰은 패치 임베딩(embedding) + 위치 임베딩(positional embedding) 을 포함하여

    Self-Attention으로 전역 정보를 학습함.

  • 즉, NLP에서의 “단어 토큰” → ViT에서는 “이미지 패치 토큰”

    • 그러나 두 분야는 토큰의 의미(semantic structure) 측면에서 큰 차이가 있음

    구분 NLP (WordPiece 등) ViT (Patch Token)
     입력 단위 단어 또는 의미 있는 서브워드 16×16 픽셀 패치
     토큰 의미 대부분 의미 있음 많은 패치는 배경 등, 의미 없음
     결과적 문제 없음 정보가 희박하고 중복 많음

    👉 ViT의 효율성 문제는 “의미 없는 토큰이 너무 많음” 에서 비롯됨.

    ViT = O(N²)

    Related Work (Efficient Transformer)

    (1) Efficient Attention

    Self-Attention의 연산량 자체를 줄이는 접근.

    Attention을 근사하거나 병렬 최적화로 속도 향상.

  • Linformer (Wang et al., 2020)
  • Performer (Choromanski et al., 2020)
  • FlashAttention (Dao et al., 2022)

    • → Attention 레벨의 최적화로 계산만 줄이고, 토큰 자체의 의미 문제는 해결하지 못함.

    (2) Token Pruning (토큰 제거)

    비중요 토큰을 attention score 기준으로 제거.

  • DynamicViT (Rao et al., 2021): 학습된 projection layer로 토큰을 점진적으로 버림.
  • EViT (Liang et al., 2022): class token에 대한 attention을 기준으로 하위 토큰 삭제.
  • SPViT (Kong et al., 2022): soft selector로 중요도 계산 후 pruning.

    • → 의미가 완전히 드러나지 않은 토큰(예: 버스의 일부 조각)을 너무 빨리 제거함 → 정보 손실 발생.

    (3) Token Merging (토큰 병합)

    비슷한 특징을 가진 토큰들을 결합(merge) 하여 수를 줄임.

  • ToMe (Bolya et al., 2023): bipartite soft matching으로 가장 유사한 토큰 쌍 병합.
  • Token Pooling (Marin et al., 2021): K-Means 기반 병합.
  • Token Learner (Ryoo et al., 2021): MLP로 선택적 토큰 생성.

    • → 비슷하지만 의미가 다르거나 중요한 토큰들까지 섞임 → 결과적으로 semantic dilution (의미 희석) 발생.

    이들의 공통점!

     “토큰의 의미(semanitcs)를 고려하지 않는다”

    ImagePiece

    ViT의 효율화는 단순히 토큰 수를 줄이는 게 아니라,

    “토큰이 충분히 의미를 가질 때까지 재구성(re-tokenization)” 해야 한다.

    Step I : Token Importance Evaluation

  • 각 토큰이 전체 이미지 의미에 얼마나 기여하는지 평가
  • [CLS] 토큰과의 attention 값 AclassA_\text{class} 을 이용해 중요도 순위를 계산
  • 중요도가 낮은 bottom-k 토큰을 후보로 지정 → “non-semantic tokens”

    • Step II : Re-tokenization of Non-semantic Tokens

  • bottom-k 토큰들을 두 그룹(A, B)으로 나눈 뒤,

    가장 유사한 쌍끼리 merge

  • 병합에는 bipartite soft matching을 사용
  • Bipartite soft matching (Bolya et al., 2023)

    “두 그룹 사이의 최적 유사도 매칭” 을 부드럽게(softly) 계산하는 알고리즘

    1. Bipartite structure
    2. 두 토큰 집합 A 와 B 가 주어졌을 때, A의 각 토큰이 B 내의 한 토큰과 연결될 확률 계산
    1. Soft assignment
    2. 각 연결의 강도 : wij=Softmax(Sij)w_{ij} = \text{Softmax}(S_{ij})

      3. → 하나의 A 토큰이 여러 B 토큰의 정보를 가중합 형태로 병합 가능

    1. Information preserving merge
    2. 새 토큰은 ti′=∑jwijtjt'_i = \sum_j w_{ij} t_j 로 계산되어,

      하드 매칭보다 더 연속적이고 손실이 적은 병합을 수행

    Step III : Re-evaluation and Discarding

  • merge된 토큰들만 attention 을 다시 계산히면서 step1, 2 반복
  • 최종적으로 여전히 의미가 없으면 → 최종적으로 삭제 (prune)

    • Local Coherence Bias (로컬 일관성 강화 모듈)

  • 이미지의 공간적 특성을 고려해, 인접한 패치들은 유사하게 인식되도록 bias를 추가
  • 구체적으로 4개의 3×3 conv + 1개의 1×1 conv 를 적용해 겹치는 패치 feature 를 만듦
  • 결과적으로 공간적으로 가까운 패치들은 유사도가 높아지고,

    병합 과정에서 자연스럽게 같은 의미 단위로 묶임

    • WordPiece (NLP) ImagePiece (Vision)
    문장을 의미 있는 단어 단위로 분해. 이미지를 16×16 패치로 분할.
    “meaningful tokens” → 각 토큰이 이미 의미를 가짐. “patch tokens” → 대부분 의미 없음(배경·하늘 등).
    긴 문장을 MaxMatch(최대 일치) 로 토큰화. 의미 없는 패치들을 의미가 생길 때까지 합침.
    WordPiece는 단어를 쪼개 의미 단위를 만들고,

    ImagePiece는 반대로 의미 없는 조각들을 합쳐 의미 단위로 만듦

    예를 들어, 파란색 패치 하나만 보면 아무 의미 없지만

    주변 패치들과 합치면 ‘버스’라는 의미가 생김 → 이게 re-tokenization 의 핵심

    Compatibility with Other Methods

  • 재토큰화가 토큰 생성 단계에서 이뤄지므로, 그 뒤의 pruning 또는 merging 모듈과 충돌하지 않음
  • 기존 Token Pruning (EViT, DynamicViT) 이나 Merging (ToMe) 방식과 결합 가능
  • 오히려 re-tokenization 덕분에 초기 layer에서 의미 없는 패치가 빨리 정리되어 전체 효율이 더 좋아짐

    • Experiment

    실험 개요

  • 데이터셋: ImageNet-1k (1.2M train, 50k test)
  • 기반 모델: DeiT-Ti, DeiT-S (두 가지 Vision Transformer 버전)
  • 입력 크기: 224×224
  • 훈련: 300 epoch / finetuning, pretraining 없음. (DeiT 논문과 동일한 설정으로 )
  • NVIDIA RTX 3090

    • Table 1 - Token Pruning 비교 결과

    같은 keep ratio (0.7)기준으로 측정

  • DynamicViT / EViT 은 토큰 제거 결정을  후반 layer에서 함 → 앞쪽 layer는 여전히 많은 토큰을 처리
  • ImagePiece는 초기에 re-tokenization을 수행 →  앞 layer부터 토큰 수가 크게 줄어듦.

    • Table 2 - Token Merging 비교 결과

    ImagePiece는 의미 없는 토큰만 병합하기 때문에 의미 있는 정보(semantic tokens)는 그대로 유지

    → 정확도 손실 거의 없음

    Figure 3 - Hyper-speed Inference Experiment

    이 실험은 “토큰 수를 극단적으로 줄여도 성능이 유지되는가?” 를 보는 테스트

    각 모델의 keep rate (남기는 토큰 비율)을 70%, 60%, 50%, ... 로 점점 줄여가면서 측정

    → 극단적으로 빠른 추론 속도일때도 정확도 많이 보존

     같은 Acc 기준으로 비교

  • ImagePiece는 전체 토큰의 13%만 남기고도 정확도를 유지
  • 동일한 성능 기준에서 30% 이상 빠른 추론 속도를 달성
  • “의미 없는 토큰을 더 정확히 식별해 버리기 때문”

    • Table 4 - Random Masking Noise Robustness

    노이즈나 가려진 영역에 대한 견고성(robustness) 검증

  • 테스트 이미지에 무작위 16×16 마스크 7~50개 추가
  • “의미 단위로 묶인 토큰이 더 견고한 global representation”

    • Table 5 - Token Attentiveness 변화

    “의미 없는 토큰도 병합 후 의미가 생기면 다시 중요해진다”

  • 이전 layer에서 inattentive(비중요)로 판단되었던 토큰 중 다음 layer에서 attentive(중요)로 바뀐 비율
  • re-tokenization 덕분에 의미 없는 토큰이 의미 단위로 병합되면서 semantic importance를 회복

    • Table 6 & 7 - Token Similarity

     병합된 토큰 쌍(token pairs) 들의  feature cosine similarity

    ToMe: layer가 깊어질수록 유사도가 떨어져 정보 희석 발생,

    ImagePiece: 정보 일관성 보존

     첫번째 layer에서 병합된 토큰 중 “중요 토큰” 비율

    → 기존 merging 방식은 중요한 토큰을 너무 자주 병합함.

    반면 ImagePiece는 bottom-k만 병합하므로 semantic dilution 방지.

    Table 8 - Local Coherence 효과

    → 공간적으로 가까운 패치끼리 의미 단위로 묶인다

    Accuracy (%)
    ImagePiece (no local bias) 79.81
     Full ImagePiece (with local coherence)  80.22

    → local coherence module 설계가 효과 있음.

    Table 9 - Compatibility 실험

    기존 pruning·merging 구조에 ImagePiece를 단순 추가해도 정확도, 속도 향상

    → 모듈형으로 삽입 가능한 확장성 높은 구조

    Limitation & Future Work

    논문에는 없지만 내가 생각해본 점들

     Patch 크기와 구조에 민감

    모델마다 최적의 Patch 크기가 다를 수 있는데, 패치 크기가 작거나 크다면 알고리즘이 잘 작동하지 않을 것 같다.

    (논문에서는 16x16 사용)

    → 최근에 내가 제출한 논문에서도 이와같은 Limitation이 있었다.

     future work

  • Feature map 해상도에 따라 병합 granularity를 자동 조절
  • Local coherence module의 receptive field를 patch size에 맞게 조정

    •  Semantic 기준이 attention 기반

    의미 정의가 attention score에만 의존

    → 복잡한 장면(다중 객체 이미지)에서는 토큰 병합이 부정확할 가능성 존재.

     future work

  • attention 외에도 spatial, contrastive, objectness 정보를 결합하여 토큰 의미 평가