DINOv3正式发布，推动自监督视觉基础模型迈上新台阶🦖
核心亮点：
• 7B参数ViT大模型及多款蒸馏小模型，兼顾性能与效率
• 在17亿张无标注图像上训练，完全摆脱人工注释依赖
• 创新Gram Anchoring技术，有效解决大模型长时间训练中密集特征退化问题
• 支持高分辨率适配（最高4K），引入相对空间坐标和二维RoPE，提升细节表达
• 特征图稳定、无边缘伪影，物体分割效果接近聚类级别
• 冻结骨干网络即可实现出色下游表现：COCO目标检测mAP 66.1，ADE20k线性分割mIoU达55.9，视频跟踪J&F 83.3
• 模型家族丰富：ViT-7B主力，ViT-S/B/L/H+多规格，ConvNeXt变体适配资源受限场景，支持文本对齐ViT-L（dino.txt）
• 跨域泛化能力强，卫星图像任务（冠层高度估计、土地覆盖分类）刷新SOTA
实际应用：
自动驾驶车辆识别环境、工业机器人视觉感知、农业精准施肥、手机图像场景识别、环境监测与灾害响应等多领域均可受益。
开源资源：
• 训练、评估代码及示例notebooks：github.com/facebookresearch/dinov3
• HF Transformers预训练模型合集：huggingface.co/collections/facebook/dinov3-68924841bd6b561778e31009
• 详细技术博客：ai.meta.com/blog/dinov3-self-supervised-vision-model
• 论文全文：ai.meta.com/research/publications/dinov3
自监督学习 计算机视觉 深度学习 基础模型 视觉Transformer 卫星遥感 目标检测 语义分割 AI开源
