arXiv cs.AI· Ulysse Mizrahi, Sean Zaretzky, Dov Danon, Amit H. Bermano·· 1 天前AI 评分26
ElasticDino：用弹性变形生成密集语义特征
ElasticDino: Dense Semantic Features Using Elastic Deformations
AI 导读
ElasticDino 是一个轻量适配器，可为 ViT 生成像素对齐的高分辨率特征图。它利用基于空间变形的精简架构，同时消除跨通道一致的伪影，避免其他方法固有的平滑偏差。在多个密集任务基准上，其精度优于现有方法且计算性能更好。
正文 · AI 翻译
摘要：视觉 Transformer（ViT）是无数视觉任务的骨干网络，包括分割和深度估计等密集预测任务，尽管自注意力的二次复杂度严重限制了特征分辨率并引入空间伪影。在本工作中，我们提出 ElasticDino，一种轻量级适配器，可生成高分辨率特征图，贴合输入图像的精细细节。作为关键洞察，我们观察到伪影在通道间的一致性，并同时解决它们以匹配输入图像结构。ElasticDino 采用基于空间形变的精简架构，高效地生成像素对齐的高分辨率特征图。利用形变可以严格保留锐利的语义，从而避免其他方法固有的平滑偏差。由于缺乏真值，我们采用带线性头的像素级语义分割和深度估计来预测一组下游密集任务，在不将任务特定语义泄漏到模型中的情况下引导形变过程。我们在多个流行的密集任务基准上展示了优于当前方法的准确率，并具有更好的计算性能。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.16984 [cs.CV] |
| （或本版本使用 arXiv:2611.16984v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2611.16984 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ulysse Mizrahi [查看邮箱]
[v1]
2026年11月12日 星期四 15:50:04 UTC（9,294 KB）
来源：arXiv cs.AI · arxiv.org