跳到正文
arXiv · 机器人与计算机视觉· Daeun Kim, Hyesong Choi, Hyejin Park, Dongbo Min·· 9 天前AI 评分43

MuCa-ViT 通过 Token 去相关与感知调制解决多通道视觉语义纠缠问题

Disentangling Channel Semantics in Vision Transformers via Token Decorrelation and Composition-Aware Modulation

AI 导读

MuCa-ViT 提出因子化 Token 学习与通道组成感知调制机制,解决了现有模型在冗余下上下文 Token 坍缩及全局摘要偏差问题。该框架在 JUMP-CP、CHAMMI 和 So2Sat 三个基准上均优于先前的多通道 ViT,提升幅度与数据集间通道冗余度(ρ∈[0.19, 0.77])一致。代码已开源,论文已被 NeurIPS 2026 接收。

来源:arXiv · 机器人与计算机视觉 · arxiv.org