Самообучение с помощью простого 3D

arXiv: 2610.16988v1 Аннонс Тип: новый резюме: визуальные характеристики, полученные из моделей зрения, таких как DINOv2 или StableDiflusion, позволяют обеспечить высокое качество семантичной переписки между изображениями. Вместе с тем такие характеристики характеризуются документально подтвержденными ограничениями, которые препятствуют точной оценке соответствия, такими как невозможность дезагрегировать левую сторону от правой точки для категорий, имеющих симметрию или повторяющиеся части. Предыдущие попытки усовершенствовать эти характеристики основываются на использовании контролируемых данных, таких как аннотированные пары ключевых точек или камера, представляют собой информацию или делают ограничительные топологические допущения, такие как моделирование объекта интереса в качестве 3D сферы. Мы внедряем новый самоконтролируемый подход, который позволяет нам изучать особенности топологически сложных категорий объектов с помощью простого предварительного. Вместо того, чтобы полагаться на дорогостоящий анализ на уровне отдельных примеров с помощью трубопровода синтеза, в рамках нашего подхода используются противопоставимые методы обучения и распределения на глобальном уровне набора данных для изучения грубой формы и красноречивого представленияa