AITOP

DINOv3

共 5 条相关 AI 资讯
7月7日
19:01
19:01IT之家（博客/媒体）
精选
蚂蚁集团旗下灵波科技发布空间感知模型 LingBot-Depth 2.0，训练数据从 300 万扩充至 1.5 亿。在深度补全基准 16 项测评中获 12 项第一，室内大面积深度缺失场景 RMSE 从 0.132 降至 0.062。同时推出视觉基座模型 LingBot-Vision，预训练语料仅 1.6 亿张图像，深度估计精度优于 DINOv3。该模型已通过奥比中光深度视觉实验室认证，在 Gemini 330 系列相机上边缘清晰度、细小物体识别等全面升级。
AI模型LingBot-Depth 2.0LingBot-Vision蚂蚁集团灵波科技深度估计DINOv3奥比中光
推荐理由：灵波科技发布了空间感知模型 LingBot-Depth 2.0，训练数据暴涨到 1.5 亿，深度补全拿了 12 项第一，玻璃镜面场景也稳得很。
原文
16:36
7月2日
10:05
10:05官方账号arXiv cs.LG@Nils Neukirch, Martin Maurer, Nils Strodthoff
该研究在5个任务（肿瘤体积与分期分类、2年生存预测、组织学分类、年龄预测）上系统对比了5种特征提取器（Curia、Curia-2、DINOv3、Radiomics2D、Radiomics3D）、7种分类头（TabPFN、TabICL、XGBoost、CatBoost、Random Forest、logistic regression、Ridge）和3种分割方案。模型在LUNG1（n=338）上训练，在内部测试集（n=84）和外部LUNG2队列（n=211）上评估，以最差跨队列性能为主要指标。结果表明，主导设计因素与任务相关：分割影响体积和分期分类，而分类器选择主导生存、组织学和年龄预测。放射组学在肿瘤体积、分期和生存上具有竞争力（部分由于标签推导效应），Curia变体在生存上达到相近峰值分数，DINOv3在所有任务上略逊一筹。推荐Curia结合肿瘤分割和CatBoost头作为安全默认方案，在三个主要临床任务上平均排名最佳。
论文CuriaDINOv3Radiomics肺CT基准测试
推荐理由：这篇论文用338例训练、295例测试的严格基准，告诉你肺CT分析到底该选Curia还是放射组学，以及为什么任务不同最优方案不同。
原文
6月17日
09:41
09:41官方账号arXiv cs.AI@Sicheng Yang, Hongqiu Wang, Zhaohu Xing, Sixiang Chen, Qiuxia Yang, Yize Mao, Guang Yang, Lei Zhu
SegDINO提出一种高效分割框架，基于DINOv3骨干网络，通过Token Pyramid Adaptation（TPA）将中间DINO特征重组为伪多尺度层次，并引入Scale-Aware Decoding（SAD）进行高效尺度内优化和自顶向下多尺度传播。作者还构建了PanCT数据集，包含284例患者专家标注的胰腺肿瘤CT图像，用于评估对小病灶的处理能力。在PanCT和三个公开基准上，SegDINO以更高效率达到SOTA结果。代码已开源。
AI模型SegDINODINOv3医学图像分割多尺度特征
推荐理由：医学图像分割不用再堆复杂解码器了，直接看SegDINO怎么用DINO特征加轻量多尺度建模做到又快又准。
原文
5月20日
10:05
10:05官方账号arXiv cs.AI@Tonghao Zhuang, Shanglong Hu, Yongsheng Luo, Zhiqi Zhang, Yu Li
精选
该研究提出了一种半监督框架，用于胎儿心脏超声图像的联合分割与分类。方法基于EchoCare多任务骨干网络，集成SAM-Med2D进行边界细化，并利用DINOv3提升伪标签质量。引入视图特定硬掩码和两阶段优化策略：EMA阶段巩固分割能力，分类微调阶段冻结分割参数并重置分类头，以恢复分类性能而不损害分割效果。在FETUS 2026排行榜上，该方法达到79.99%的Dice系数、61.62%的归一化表面距离和41.20%的F1分数，验证了其在产前先天性心脏病筛查中的有效性。代码已开源。
论文半监督学习医学影像胎儿心脏超声SAM-Med2DDINOv3
推荐理由：这项研究解决了胎儿心脏超声分析中标注数据稀缺的痛点，做医学影像AI的团队可以直接参考其半监督框架和开源代码，值得关注。
原文