مدل‌های چندوجهی یکپارچه

SCALES = (1, 2, 4, 8)                           # 4 مقیاس روی یک تصویر 8x8
CODEBOOK = 16                                   # درایه‌ها در هر مقیاس
residual = img.copy()
for scale, book in zip(SCALES, codebooks):
    coarse = downsample(residual, scale)        # پولینگ به ابعاد scale x scale
    tok = encode(coarse, book)                  # نزدیک‌ترین اندیس کد
    recon = book[tok]
    residual = residual - upsample(recon, IMG)  # آنچه هنوز از دست رفته است
    tokens.append(tok)
out = out + upsample(book[tok], IMG)            # دیکودر تمام مقیاس‌ها را جمع می‌کند

weights = {"text_scale": 0, "img_scale": 0, "text_w": 1.0, "img_w": 0.1}
mask = build_mask(tokens)            # متن علّی، تصویر دوجهته
text_loss = sum(cross_entropy_toy(p) for p in text_probs) / len(text_probs)
t = random.random()                  # یک گام زمانی به ازای هر تصویر
xt = (1 - t) * x + t * n             # پچ نویزی
target_vel = n - x                   # هدف سرعت
img_loss = mse(pred_flat, tgt_flat)  # MSE تطبیق جریان
total = weights["text_w"] * text_loss + weights["img_w"] * img_loss