机器之心报道
编辑：蛋酱、杜伟
扩展无语言的视觉表征学习。
在视觉问题解答（VQA）等多模态环境中，当前视觉自监督学习（SSL）的表现还比不上语言图像预训练（CLIP）。这种差距通常归因于语言监督引入的语义，尽管视觉 SSL 模型和 CLIP 模型通常在不同的数据上进行训练。
在最近的一项研究中，Yann LeCun、谢赛宁等研究者探讨了一个基本问题： 语言监督对于多模态建模的视觉表征预训练是否必要？
论文标题：Scaling Language-Free Visual Representation Learning论文链接：https://arxiv.org/pdf/2504.01017项目地址：https://davidfan.io/webssl/
「我们的目的不是要取代语言监督方法，而是要了解视觉自监督在多模态应用中的内在能力和局限性。为了进行公平的比较，我们在与最先进的 CLIP 模型相同的数十亿规模的网络数据（特别是 MetaCLIP 数据集）上训练 SSL 模型。在比较视觉 SSL 和 CLIP 时，这种方法可以控制数据的分布差异。」研究者表示。
论文共同一作 David Fan 表示，「视觉 SSL 终于可以在 VQA 任务上与 CLIP 匹敌了，即使在 OCR & Chart VQA 上也非常具有竞争力。我们的全新 Web-SSL 模型系列证明了这一点，并且仅仅基于网络图像训练，没有进行任何语言监督。」
在评估方面，研究者主要使用视觉问题解答（VQA）作为框架，大规模评估 SSL 模型的各种能力。具体来说，采用了 Cambrian-1 中提出的评估套件，跨越 4 个不同 VQA 类别的 16 项任务的性能： 通用、知识、OCR & 图表以及 Vision-Centric。
然后，他们使用上述设置训练了 Web-SSL，这是一个视觉 SSL 模型系列，参数范围从 10 亿到 70 亿不等，以便与 CLIP 进行直接和可控的比较。
通过实证研究，研究者提出了一些见解：
视觉 SSL 可以在广泛的 VQA 任务中，甚至在 OCR & 图表理解等语言相关任务中，匹配甚至超越语言监督的视觉预训练方法（图 3）；视觉 SSL 在模型容量（图 3）和数据（图 4）方面都有很好的扩展性，这表明 SSL 还有巨大的潜力有待挖掘；视觉 SSL 可以在分类和分割方面保持传统视觉性能的竞争力，同时在 VQA 方面也有所改进（图 7）；对包含文本的图像进行更高比例的训练对于提高 OCR 和图表性能尤为有效（问题 4）。探索数据构成是一个很有前景的方向。
随后，研究者介绍了本文的实验设置，它通过以下方式扩展了之前的 SSL 工作：
（1）将数据集规模扩展到十亿级图像（第 2.1 节）；
（2）将模型规模扩展到 1B 参数以上（第 2.2 节）；
（3）除了 ImageNet-1k 和 ADE20k 等经典视觉基准之外，还使用开放式 VQA 任务（第 2.3 节）评估视觉模型。
扩展 Visual SSL
研究者也探讨了视觉 SSL 模型在模型和数据大小方面的扩展行为，这是仅对 MC-2B 图像进行训练的结果。这一部分重点讨论 DINOv2 作为视觉 SSL 方法，下一部分会重点讨论 MAE。
扩展模型大小：研究者将模型大小从 1B 增加到 7B，同时将训练数据固定为 20 亿张 MC2B 图像。他们对每种方法都使用了现成的训练代码和配方，为了控制混杂变量，没有因模型规模不同而改变配方。扩展所见样本：研究者将重点转移到对固定模型大小的总数据进行缩放，并分析当训练过程中看到的图像数量从 10 亿增加到 80 亿时，性能是如何变化的。
扩展模型大小
研究者使用来自 MC-2B 的 20 亿张 224×224 分辨率的未标记图像，并且没有进行高分辨率适应，对 DINOv2 ViT 模型进行了预训练，参数范围从 1B 到 7B，以确保与 CLIP 的公平比较。他们使用 VQA 来评估每个模型，结果如下图 3 所示，包含了整体性能趋势和特定类别性能。
研究者表示，这是仅使用视觉自监督训练的视觉 encoder 第一次在 VQA 上取得与语言监督 encoder 相当的性能，即使是传统上被认为高度依赖文本的 OCR 和 Chart 类别也是如此。
关于性能变化趋势，图 3 还比较了模型容量增加时的性能趋势。WebDINO’s Average、DINOOCR & Chart 和 Vision-Centric VQA 的性能随着模型大小的增加几乎呈现对数线性提升，而通用（General）和知识（Knowledge）的提升程度较小。
相比之下，CLIP 在所有 VQA 类别中的表现在 3B 参数后基本饱和。这表明了，虽然较小规模的 CLIP 模型可以更高效地利用数据，但较大规模的 CLIP 模型基本丧失了这一优势。
Web-DINO 模型增加带来的持续性能提升表明了，视觉 SSL 会从更大规模的模型中受益，并且继续将视觉 SSL 扩展到 7B 以上是一个有潜力的方向。
关于特定类别的性能，随着模型大小的增加，DINO 在 Vision-Centric VQA 上的表现越来越优于 CLIP，在 OCR & Chart 和 Average VQA 上与 CLIP 的差距也大大缩小。
扩展所见样本
研究者探究了训练 Web-DINO ViT-7B 过程中增加所见样本的数量对性能变化有哪些影响，并将来自 MC-2B 中的图像数量从 1B 增加到 8B。
随着所见样本的增加，General 和 Knowledge VQA 的性能逐渐提升，并分别在 4B 和 2B 样本时达到饱和。Vision-Centric VQA 的性能在样本从 1B 增加到 2B 过程中急剧提升，并在 2B 以上达到饱和。相比之下，OCR & Chart 是唯一一个随着所见样本增加而持续改进的类别。
这表明了，随着模型所见样本的增加，它会学习到一种越来越适合文本任务的表征，而其他能力不会明显下降。
总的来说，上图 3 和图 4 的结果表明，随着模型大小和样本的增加，视觉 SSL 学习到的特征对于 VQA 越来越有效，尤其是在 OCR & Chart 类别。并且，基于 CLIP 的模型相较于视觉 SSL 没有绝对的优势。
Web-SSL 模型系列
研究者使用 VQA 和经典视觉基准分析了整体性能最佳的视觉编码器。表 3 展示了视觉编码器在 VQA 和经典视觉任务方面与近期现成的视觉编码器相比所取得的最佳结果。
在 VQA 和传统视觉任务中，Web-DINO 的表现都优于现成的 MetaCLIP。在 VQA 上，Web-DINO 的性能甚至可以与 SigLIP 和 SigLIP2 相媲美，尽管它看到的数据少了 5 倍，而且没有语言监督。总体而言，Web-DINO 在传统视觉基准测试中的表现优于所有现成的语言监督 CLIP 模型。
在所有 VQA 类别中，Web-DINO 也优于现成的视觉 SSL 方法，包括 DINOv2。在传统的视觉基准测试中，Web-DINO 也具有很强的竞争力。
从 224 分辨率到 378 分辨率再到 518 分辨率，Web-DINO 在平均 VQA 上稳步提升，在 OCR 和图表性能方面也有显著提高。传统视觉性能随着分辨率的提高而略有提高。在 384 分辨率下，Web-DINO 落后于 SigLIP。在 518 分辨率下，Web-DINO 在很大程度上弥补了这一差距。结果表明，Web-DINO 可从进一步提高高分辨率适应性中获益。
更多研究细节，可参考原论文。
《4123tv夜色直播》，《y85ouztigy6ysf5y》西施裸体被❌羞羞
“二个老头躁我一个HD”
遮天同人h堕落的姬紫月
……
04月10日
“扒开小舞❌狂揉❌难受3d视频”迷局破之深潜
↓↓↓
04月10日，心相近｜谱写中拉人文交流新篇章，老妇大炕交换配乱大交，丝瓜视频成人app❤免费，yaoi男男❤♂R18动漫网站，透明内裤被🐔巴撑起的图片
04月10日，长光卫星超大幅宽卫星批量出厂，罗宾巨胸爆乳露双奶头被❌，甘雨被狂❌到高潮网站，美女全身裸体㊙️免费看视频，工口汉化R18官网入口
04月10日，“宝总”胡歌的宝岛情：繁花似锦，不虚此行，5p双龙入洞小说，男男Gay做受XⅩⅩ，女S调教视频丨ⅤK，初高中打屁股♥网站X
04月10日|美国孟菲斯市发生枪击事件 已致2死14伤|老头囗交456视频|霍雨浩狠狠地挺进冰帝小泬|FreePorno💋👙19|香蕉文化漫画黄漫免费网站
04月10日|“五一”假期 “舟”游福州热|男男doi攻🌿的巨猛受受视频|宁荣荣乳液乱飙3D动漫|小樱被扒开腿做❌18禁动漫|布洛妮娅被❌❌黄漫视频
04月10日|（新春走基层）探访重庆春运“守夜人”：守护“奋斗者”平安归家|福利视频APP导航♥在线观看|久久婷婷㊙️精品国产538|樱桃免费人成网站www|韩国美女吃播dorothy……
04月10日，闽剧《画网巾先生》亮相第九届福建艺术节，章若楠裸被❌免费视频技师，脱内衣揉🐻小视频，流萤被❌吸乳脱内内崩铁，美女露出🐻让男生捏
04月10日，线上线下文化游 2024年新春旅游玩法“上新”，教师被狂揉下部视频，宝贝乖腿张开不许穿内裤斗罗大陆，永久免费网站，拨🍌🍌🍑男女视频
04月10日|中青网评：从“年味儿”里窥见“泉州名片”|长瀞同学同人H|八戒八戒网剧16|成人抖抈app下载|奇优电影手机版免费
04月10日，天津：勇立潮头乘势起 奋楫笃行谱新篇 ，偷拍学校女学生洗澡，亚洲A片无码㊙️色多多，男女❌❌❌软件网站，丁·度巴斯公交车
04月10日，国家卫健委等八部门推进职业健康保护行，动漫❌爆乳❌动漫，👙🈲㊙️视频免费软件，2023无遮阴分娩,微博，动漫3D❌吸乳羞免费
04月10日，From Chuandong Cave！贵州普定穿洞发布新出土文物双语海报，白丝少萝❌❌自慰网站，原神丽莎被❌黄漫在线观看，学长边洗澡边把我胸罩脱了，甘雨被触手怪❌吸乳的
04月10日|中国公共关系协会在巴黎举行黄河文化展 搭建设计别出心裁|freeHD❌❌❌HD0131|校花乖乖掀起裙子让我挺进|动漫美女裸体❌❌网站梅花13|Gay男男脱裤子打屁股otk
04月10日|高原蓝宝石——冬季青海湖的静谧之美|爽爽爽2018,免费人妻视频|乡下女人婬乱A片免费视频软件|蜜臀美女超短jk被视频|捷克小电影在线观看2023年上映
04月10日|特稿｜“比天空更宽阔的胸怀”——习近平主席与法国文化|命跟碾踩命跟ⅤK|梅根福克斯三级无删减版|污鱼社在线观看|动漫美女被❌到爽漫画视频
男子吐槽华清宫贵妃入浴雕像不雅，情系母亲河 绿色绘安澜|国泰航空招聘的首批内地空乘完成培训并将执勤|91🔞观看喷潮|黑土本子r18禁无遮掩本子|91丝袜一区二区|日本家庭大鸡巴操小穴电视剧无遮挡免费看中文字幕
监制：邓金木
策划：赖晗
主创：唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑：王家菁、段圣祺
