通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-05-26 图像表征 · VFM · JEPA · 视频预训练
arXiv 新增 / 项目页 · P2 · 2026-05-26

Good Token Hunting:它和通用视觉自监督的关系在于:视觉几何 Transformer 的 token 选择策略,对多视图/3D foundation model 效率有参考

中高相关;详见方法、贡献和实验边界。

编号2605.23892 优先级P2 类别arXiv 新增 / 项目页 会议arXiv 新增 / 项目页 方法视觉几何 Transformer 的 token 选择策略,对多视图/3D foundation model 效率有参考 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于:视觉几何 Transformer 的 token 选择策略,对多视图/3D foundation model 效率有参考。 中高相关;详见方法、贡献和实验边界。

Figureure 1 · : We accelerate visual geometry transformers via a two-stage hierarchi
Figureure 1 · : We accelerate visual geometry transformers via a two-stage hierarchiFigure 1: We accelerate visual geometry transformers via a two-stage hierarchical token selection scheme: inter-frame selection followed by intra-frame selection. Our training-free method scales nearlinearly with the number of input frames, substantially improving the efficiency of visual geometry transformers with a comparable acceleration ratio with LiteVGGT [72], which requires costly full model training. Overall, our method achieves a superior trade-off between efficiency and accuracy.这张图/表用于判断 Good Token Hunting 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致,而不是只看单个最高分。
Figureure 2 · : Pipeline of GoToHunt
Figureure 2 · : Pipeline of GoToHuntFigure 2: Pipeline of GoToHunt. Token selection is performed in the K/V space prior to the global attention layers, to determine which key/value tokens each query token interacts with. Our approach follows a two-stage hierarchical design: inter-frame selection first conducts frame-level selection, while intra-frame selection subsequently discard more tokens within each selected frame.这张图概括 Good Token Hunting 的整体方法流程。阅读时先看模块之间传递的训练信号,再看作者如何把目标拆成可优化的子问题。

核心问题

它和通用视觉自监督的关系在于:视觉几何 Transformer 的 token 选择策略,对多视图/3D foundation model 效率有参考。

方法拆解

视觉几何 Transformer 的 token 选择策略,对多视图/3D foundation model 效率有参考

主要贡献

中高相关;详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据:一是作者是否把方法收益和更强数据、更长训练、更大模型区分开;二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看;不要只凭单个指标判断它对通用视觉表征的价值。