# DINOv3

遥感变化检测通常依赖大量跨时相、像素级标注，跨区域和跨平台难以扩展。SpotDiff把DINOv3语义特征、AnyUp像素级特征重建与SAM 3文本引导区域提议组合成免训练流程，只在提议区域内比较两期重建特征的余弦相似度。在LEVIR-CD上，ViT-7B版本达到82.46 F1，比此前最强的免训练方法高2.06个点；SECOND上建筑变化IoU提升10.3。

遥感变化检测通常依赖大量跨时相、像素级标注，跨区域和跨平台难以扩展。SpotDiff把DINOv3语义特征、AnyUp像素级特征重建与SAM 3文本引导区域提议组合成免训练流程，只在提议区域内比较两期重建特征的余弦相似度。在LEVIR-CD上，ViT-7B版本达到82.46 F1，比此前最强的免训练方法高2.06个点；SECOND上建筑变化IoU提升10.3。

脑电基础模型在冻结特征迁移上表现不稳，SeeEEG换了个思路：把脑电按临床浏览器的蒙太奇、滤波和对比度设置渲染成图像，只训练这套显示参数，视觉主干全程冻结。以冻结的DINOv3 ViT-B为编码器，SeeEEG在八个临床、睡眠、情感与脑机接口数据集的平衡准确率上全部超过七个脑电基础模型，按Cohen或AUROC排名的平均名次为1.3，最强基线REVE为2.9。

脑电基础模型在冻结特征迁移上表现不稳，SeeEEG换了个思路：把脑电按临床浏览器的蒙太奇、滤波和对比度设置渲染成图像，只训练这套显示参数，视觉主干全程冻结。以冻结的DINOv3 ViT-B为编码器，SeeEEG在八个临床、睡眠、情感与脑机接口数据集的平衡准确率上全部超过七个脑电基础模型，按Cohen或AUROC排名的平均名次为1.3，最强基线REVE为2.9。

瑞士全境森林的树种组成此前多以“每像素一个优势树种”呈现，伴生树种的比例被抹去。研究把0.1米航空RGB影像、机载激光扫描、AlphaEarth年度卫星嵌入与气候变量组合进一个以影像为锚的深度学习模型，用3992个瑞士国家森林清查样地的地径断面积观测训练，输出30米网格上10个主要树种与一个Other类的地径断面积占比。空间交叉验证的宏平均决定系数为0.485；在未参与建模的森林保护区数据上，30米像素级宏平均为0.552、样地级为0.733，像素与样地的优势类识别率分别为73.2%和81.1%。

瑞士全境森林的树种组成此前多以“每像素一个优势树种”呈现，伴生树种的比例被抹去。研究把0.1米航空RGB影像、机载激光扫描、AlphaEarth年度卫星嵌入与气候变量组合进一个以影像为锚的深度学习模型，用3992个瑞士国家森林清查样地的地径断面积观测训练，输出30米网格上10个主要树种与一个Other类的地径断面积占比。空间交叉验证的宏平均决定系数为0.485；在未参与建模的森林保护区数据上，30米像素级宏平均为0.552、样地级为0.733，像素与样地的优势类识别率分别为73.2%和81.1%。

患者级超声诊断此前多依赖单一注意力瓶颈聚合多视图，容易把稀疏的恶性征象稀释掉，并只优化总体准确率。C2LUE把聚合换成多查询交叉注意力，让多个可学习查询分别提取互补的形态学证据，并在训练中用一个可微的敏感度—特异度几何均值正则惩罚两类错误失衡。在活检证实的甲状腺与乳腺超声数据集上，患者级AUC达到0.932与0.936，敏感度提升到0.874与0.876，代价是特异度有所下降。

患者级超声诊断此前多依赖单一注意力瓶颈聚合多视图，容易把稀疏的恶性征象稀释掉，并只优化总体准确率。C2LUE把聚合换成多查询交叉注意力，让多个可学习查询分别提取互补的形态学证据，并在训练中用一个可微的敏感度—特异度几何均值正则惩罚两类错误失衡。在活检证实的甲状腺与乳腺超声数据集上，患者级AUC达到0.932与0.936，敏感度提升到0.874与0.876，代价是特异度有所下降。

该工作面向XPlainVerse可解释深度伪造检测挑战，提出模块化检测与解释系统：检测端融合多个DINOv3骨干与Mesorch取证特征，并用Grounding-DINO将解释中的局部伪影描述转为弱块级伪掩码监督Artifact Evidence Map，再以局部块级对比目标分离伪影与真实证据；解释端用按类别条件选择的Qwen3-VL生成复杂解释并经GRPO优化简化模型，在完整测试集上取得0.9349检测准确率、0.5571解释分与0.7456最终挑战分。

该工作面向XPlainVerse可解释深度伪造检测挑战，提出模块化检测与解释系统：检测端融合多个DINOv3骨干与Mesorch取证特征，并用Grounding-DINO将解释中的局部伪影描述转为弱块级伪掩码监督Artifact Evidence Map，再以局部块级对比目标分离伪影与真实证据；解释端用按类别条件选择的Qwen3-VL生成复杂解释并经GRPO优化简化模型，在完整测试集上取得0.9349检测准确率、0.5571解释分与0.7456最终挑战分。

作者提出 ViRA——一种与规划器无关的视觉表征对齐框架，在训练时用冻结的视觉基础模型（VFM）中间特征监督规划器编码器，推理时丢弃对齐模块，从而不改变规划器结构与推理成本；在 NAVSIM v2 与 HUGSIM 上，ViRA 让回归式、扩散式与评分式三类规划器一致获得驾驶性能提升，且增益取决于 VFM 目标选择与规划器是否使用辅助感知监督。

作者提出 ViRA——一种与规划器无关的视觉表征对齐框架，在训练时用冻结的视觉基础模型（VFM）中间特征监督规划器编码器，推理时丢弃对齐模块，从而不改变规划器结构与推理成本；在 NAVSIM v2 与 HUGSIM 上，ViRA 让回归式、扩散式与评分式三类规划器一致获得驾驶性能提升，且增益取决于 VFM 目标选择与规划器是否使用辅助感知监督。

该工作提出一种免训练的单样本科学图像分割框架，用一张带标注的参考图像将冻结的DINOv3与SAM组合起来：先以参考图像背景估计背景方向，对DINOv3的patch特征做背景自适应正交投影以抑制伪影方向，再用余弦相似度定位候选区域并生成提示交给SAM分割；在红细胞显微、结构光照池沸腾与胸部X线三类数据上评估，红细胞显微平均IoU较最强基线GF-SAM高5.15个百分点，池沸腾较INSID3高33.36个百分点，胸片与SAM2相当。

该工作提出一种免训练的单样本科学图像分割框架，用一张带标注的参考图像将冻结的DINOv3与SAM组合起来：先以参考图像背景估计背景方向，对DINOv3的patch特征做背景自适应正交投影以抑制伪影方向，再用余弦相似度定位候选区域并生成提示交给SAM分割；在红细胞显微、结构光照池沸腾与胸部X线三类数据上评估，红细胞显微平均IoU较最强基线GF-SAM高5.15个百分点，池沸腾较INSID3高33.36个百分点，胸片与SAM2相当。

该工作提出 DyRA，一种输入自适应方法，通过在推理时动态近似并校正结构化权重近似（如低秩分解）引入的输出残差误差，直接优化输出的低秩因子，从而在相同计算预算下更忠实地逼近完整矩阵乘法；在视觉、语音和语言模型上，DyRA 相比仅做结构化权重近似的方法持续改善精度-效率权衡，并在 DINOv3 上实现 1.5 倍端到端 GPU 加速，同时将精度退化降低 3 倍以上。

该工作提出 DyRA，一种输入自适应方法，通过在推理时动态近似并校正结构化权重近似（如低秩分解）引入的输出残差误差，直接优化输出的低秩因子，从而在相同计算预算下更忠实地逼近完整矩阵乘法；在视觉、语音和语言模型上，DyRA 相比仅做结构化权重近似的方法持续改善精度-效率权衡，并在 DINOv3 上实现 1.5 倍端到端 GPU 加速，同时将精度退化降低 3 倍以上。