局部图块被编码为编号 B。B 本身不画出椅背，也不直接告诉解码器它应该是什么形状；它首先是字典地址。沿 B 查到一份学到的表示 E，后续部件实际使用的是这份表示，再将它解码成局部图像。

在向量量化中，模型学习有限的码本，把连续局部表示指派给其中较接近的一项。于是图像可以写成一组索引，另一个模型再学习这些索引之间怎样搭配。量化使接口离散化，也会把原来不同的细节合并到同一项，带来压缩取舍。

现在同时把索引 B 和字典里那一行的名字都改成 Q。查到的表示没有改变，送进同一个解码器的内容也没有改变，所以输出可以完全相同。若只把输入索引 B 换成已有的 C，而字典不动，就会查到另一份表示；这次真正改变了后续输入。

“编号相近，图像也应相近吗？” 不一定。编号用于标识，不能仅凭数值差判断视觉差异；一致重命名不应改变其含义。表示向量之间可以有模型定义的几何关系，但那是被查出的内容的关系，不是任意编号天然具有的关系。

可以把一个更简单的生成器想成“随机选一个类别，输出它的代表图”。它有起点和选择，但若只输出有限模板，变化能力也就受限。VQ 码本中的条目则常是局部表示，整幅图来自许多位置的组合与解码，不能把每个编号都误认为一张固定的完整图片。组合仍须学习相容关系，不是任意排索引都成立。

离散化还涉及码本利用、量化误差和训练时怎样处理离散选择，细节放在相关材料。它是有用选择，但不是自回归的必要定义：连续视觉表示也可以通过合适的条件生成器来建模。

分清地址和内容后，下一页就能看懂系统复用：即使产生表示的方式变了，只要交给后端的是相容表示，同一个解码器仍可能继续使用。