Meta 推出 DINOv3：用於可擴展、高精度視覺分析的高級自監督視覺模型

開發人工智慧和擴增實境技術的科技公司 Meta 的研究部門， 元人工智能 推出了 DINOv3，這是一款先進的通用電腦視覺模型，採用自我監督學習 (SSL) 進行訓練，可產生高品質的視覺特徵。這是首次在多個成熟的密集預測任務（包括目標偵測和語意分割）上，單一凍結視覺主幹模型的表現超越了專用模型。

DINOv3 透過先進的 SSL 方法實現了這一性能，無需標註數據，從而減少了訓練時間和資源需求，同時允許模型擴展到 1.7 億張圖像和 7 億個參數。這種無標註方法使此模型適用於標註有限、成本高或無法取得的應用。例如，基於衛星影像預訓練的 DINOv3 主幹網路在冠層高度估算等下游任務中表現優異。

該模型有望增強目前的應用，並在醫療保健、環境監測、自動駕駛汽車、零售和製造等領域啟用新的應用，從而提高大規模視覺理解的準確性和效率。

DINOv3 現已發布，包含一整套採用商業許可的開源主幹網絡，其中包括一個基於 MAXAR 圖像訓練的衛星專用主幹網絡。此外，部分下游評估模型也已分享，以便研究人員重現和擴展結果。此外，我們還提供了範例筆記本和詳細文檔，以幫助社群立即開始使用 DINOv3。

DINOv3：透過自監督學習解鎖高影響力應用

根據 元人工智能 DINOv3 代表了自監督學習 (SSL) 領域的顯著進步，首次證明 SSL 模型在眾多任務中能夠超越弱監督模型的表現。早期版本的 DINO 在分割和單目深度估計等密集預測任務中取得了優異的成績，而 DINOv3 在此基礎上進一步提升，性能更上一層樓。

DINOv3 在原有 DINO 演算法的基礎上進行了改進，消除了對元資料輸入的需求，比以往方法減少了訓練運算量，同時仍能產生高效能的視覺基礎模型。 DINOv3 的改進使得即使在模型權重保持不變的情況下，也能在目標檢測等下游任務上取得最佳結果，無需針對特定任務進行微調，從而實現更靈活、更有效率的應用。

由於 DINO 方法不局限於任何特定影像類型，因此它可以應用於標註成本高或不切實際的各種領域。早期的迭代版本（例如 DINOv2）已利用大量未標註資料進行醫療應用，包括組織學、內視鏡檢查和影像。對於衛星和航空影像，由於資料量和複雜性導致手動標註不可行，DINOv3 允許訓練一個適用於多個衛星來源的單一骨幹模型，從而支援環境監測、城市規劃和災害應變等更廣泛的用例。

DINOv3 已展現出實際影響。世界資源研究所 (WRI) 使用該模型監測森林砍伐並指導復原工作，使當地團體能夠更好地保護生態系統。透過分析衛星影像來檢測樹木損失和土地利用變化，DINOv3 提高了氣候融資驗證的準確性，降低了交易成本，並加快了對小型地方計畫的資助。在一個案例中，使用經過衛星和航空圖像訓練的 DINOv3 將肯亞某個地區樹冠高度測量的平均誤差從 4.1 米降低到 1.2 米，使 WRI 能夠更有效地擴大對數千名農民和保護計畫的支持。