spatial deformations

ElasticDino 适配器增强 Vision Transformers 在密集预测任务中的性能

研究人员开发了 ElasticDino，这是一种用于 Vision Transformers (ViTs) 的新型适配器，旨在增强语义分割和深度估计等密集预测任务。这种轻量级架构利用空间变形生成与输入图像像素对齐的高分辨率特征图，克服了 ViTs 自注意力机制的局限性。ElasticDino 保留了精细细节，避免了其他方法中存在的平滑偏差，在各种基准测试中展示了卓越的准确性和计算性能。