Izaldein Al-Zyoud

冻结的DINOv3模型展现出涌现的区域级面部对应关系

研究人员证明，冻结的自监督视觉模型，特别是DINOv3，在未经特定面部训练的情况下，能够建立区域级面部对应关系。使用DINOv3 ViT-L/16的patch嵌入，该模型在CelebDF-v2视频上实现了83.0%的跨身份匹配语义准确率和95.5%的时间跟踪准确率。研究发现，DINOv3中的一个中间层，即第18块，提供了最强的对应关系，在解剖区域上优于随机基线和CLIP ViT-L/14。