arXiv Thu batch; ECCV 2026; VFM PEFT · P1 · 2026-07-11

LoCA：它和通用视觉自监督的关系在于：关注 VFM adaptation 时如何保留预训练空间先验，对 frozen/self-supervised backbone 下游使用很实用

中高相关；详见方法、贡献和实验边界。

LoCA: Spatially-Aware Low-Rank Convolutional Adaptation of Vision Foundation Models　arXiv Thu batch; ECCV 2026; VFM PEFT　原文链接

编号2607.06918 优先级P1 类别arXiv Thu batch; ECCV 2026; VFM PEFT 会议arXiv Thu batch; ECCV 2026; VFM PEFT 方法关注 VFM adaptation 时如何保留预训练空间先验，对 frozen/self-supervised backbone 下游使用很实用来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：关注 VFM adaptation 时如何保留预训练空间先验，对 frozen/self-supervised backbone 下游使用很实用。中高相关；详见方法、贡献和实验边界。

**Fig**Fig. D: Performance comparison with FFT across various backbone architectures这张图概括 LoCA 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。

**Fig**Fig. D: Singular value evolution of ResNet-50 weights across PEFT methods (y-axis: singular values). Columns 1–4: channel-wise SVD of depthwise weights; columns 5–8: spatial SVD. L: layer. Fig. E: Singular value evolution of MobileMamba-T2 weights across PEFT methods (yaxis: singular values). Columns 1–4: channel-wise SVD of depthwise weights; columns 5–8: spatial SVD. B: block. Local: depthwise convolution. Global: wavelet-domain convolution.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 LoCA 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：关注 VFM adaptation 时如何保留预训练空间先验，对 frozen/self-supervised backbone 下游使用很实用。

方法拆解

关注 VFM adaptation 时如何保留预训练空间先验，对 frozen/self-supervised backbone 下游使用很实用

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。