Lorenzo Mur-Labadia

V-JEPA 2.1 推进视频和图像自监督学习

研究人员推出了 V-JEPA 2.1，这是一种新的自监督模型，旨在从图像和视频中学习详细的视觉表示。该模型集成了密集预测损失、跨编码器层的分层自监督以及用于统一图像和视频训练的多模态分词器。这些进步使 V-JEPA 2.1 在物体交互预测、动作预测、机器人抓取、导航和深度估计等基准测试中取得了最先进的成果，显著提高了密集视觉理解和世界建模能力。