arXiv new; unsupervised multimodal semantic segmentation · P1 · 2026-07-16

UMSS：它和通用视觉自监督的关系在于：基于 DINOv3 做 label-free multimodal segmentation，直接检验 VFM 特征能否统一 RGB 与其他传感器结构

高相关；详见方法、贡献和实验边界。

UMSS: Towards Unsupervised Multi-modal Semantic Segmentation　arXiv new; unsupervised multimodal semantic segmentation　原文链接

编号2607.12372 优先级P1 类别arXiv new; unsupervised multimodal semantic segmentation 会议arXiv new; unsupervised multimodal semantic segmentation 方法基于 DINOv3 做 label-free multimodal segmentation，直接检验 VFM 特征能否统一 RGB 与其他传感器结构来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：基于 DINOv3 做 label-free multimodal segmentation，直接检验 VFM 特征能否统一 RGB 与其他传感器结构。高相关；详见方法、贡献和实验边界。

**Figureure 2 · : UniM2 Framework Overview**Fig. 2: UniM2 Framework Overview. (a) Training inputs for UniM2, (b) The overall architecture of UniM2, (c) The Cross-modal Harmonization process, and (d) the formulation of the CMCS loss. For illustration, (c) and (d) are depicted based on the Self pair scenario to resolve cross-modal structural contradictions.这张图概括 UMSS 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。

**(b) Performance Comparison Fig**(b) Performance Comparison Fig. 1: Analysis of multi-modal integration in unsupervised semantic segmentation. (a) We explore various fusion schemes, including naive Image Addition, Feature Addition, and Conv Fusion, as well as SOTA fusion methods in MSS such as CBAM [67] and StitchFusion [31]. (b) Quantitative results on NYU-Depth-v2 [49] demonstrate that existing advanced fusion strategies in multi-modal segmentation inevitably lead to performance degradation compared to the single RGB baseline in the unsupervised setting, while our UniM2 achieves significant mIoU gains.这张图/表用于判断 UMSS 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。

核心问题

它和通用视觉自监督的关系在于：基于 DINOv3 做 label-free multimodal segmentation，直接检验 VFM 特征能否统一 RGB 与其他传感器结构。

方法拆解

基于 DINOv3 做 label-free multimodal segmentation，直接检验 VFM 特征能否统一 RGB 与其他传感器结构

主要贡献

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。