ViT-Up 框架增强 Vision Transformer 特征上采样

研究人员推出了一种名为 ViT-Up 的新颖框架，旨在增强 Vision Transformer (ViTs) 的特征上采样。该方法利用中间隐藏状态进行逐层查询构建，无需外部图像引导，从而避免了特征泄露和碎片化等问题。ViT-Up 能够预测任意连续图像坐标处的特征，从而在语义分割和深度估计等密集预测任务上获得更好的性能，并在 Cityscapes 和 SPair-71k 等基准测试中取得了显著的提升。 AI

影响 增强了 Vision Transformer 在密集预测任务中的能力，有望在语义分割和深度估计等领域提高性能。

排序理由 该集群描述了一篇关于 Vision Transformer 新颖框架的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

• Cityscapes
• DINOv3-B
• DINOv3-S+
• ImageNet-1K
• SPair-71k
• Vision Transformers
• ViT-Up

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →