# 视觉表示对齐

2 篇关联报道

订阅更新

arXiv 2026年10月8日
ViRA 用冻结视觉基础模型对齐规划器中间特征，在 NAVSIM v2 navtest 上把 Rap∗ 从 72.8 提升到 83.7 EPDMS，并推出 92.3 EPDMS 的 ViRA-Diffusion
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。
Zihao Zhang（第一作者）
视觉表示对齐端到端自动驾驶 ViRA-Diffusion DINOv3 基础模型
arXiv 2026年10月2日
PixelDense 把 SAM2、Depth Anything v2 与 Metric3D v2 拆成语义与几何两条对齐流，让 PixelGen-XXL 的 GenEval Overall 从 0.7927 升到 0.8093
该工作提出 PixelDense，把 DINOv2 与 SAM2 送入语义投影流、把 Depth Anything v2 与 Metric3D v2 送入几何投影流，并用权重空间正交惩罚让两流占据不相交子空间，在 PixelGen 与 DeCo 上以同一配方提升 GenEval、DPG-Bench 与 HPS v2.1，其中 PixelGen-XXL 的 GenEval Overall 由 0.7927 升至 0.8093，并优于所有单教师与未分解多教师变体。
该工作提出 PixelDense，把 DINOv2 与 SAM2 送入语义投影流、把 Depth Anything v2 与 Metric3D v2 送入几何投影流，并用权重空间正交惩罚让两流占据不相交子空间，在 PixelGen 与 DeCo 上以同一配方提升 GenEval、DPG-Bench 与 HPS v2.1，其中 PixelGen-XXL 的 GenEval Overall 由 0.7927 升至 0.8093，并优于所有单教师与未分解多教师变体。
Lehan Yang（第一作者）
PixelDense 视觉表示对齐像素空间扩散Transformer 文本到图像合成图像编辑

已读完全部报道

ViRA 用冻结视觉基础模型对齐规划器中间特征，在 NAVSIM v2 navtest 上把 Rap∗ 从 72.8 提升到 83.7 EPDMS，并推出 92.3 EPDMS 的 ViRA-Diffusion

PixelDense 把 SAM2、Depth Anything v2 与 Metric3D v2 拆成语义与几何两条对齐流，让 PixelGen-XXL 的 GenEval Overall 从 0.7927 升到 0.8093