文章來(lái)源：我愛(ài)計(jì)算機(jī)視覺(jué)（ID：aicvml）

今天和大家聊一篇非常有意思的新工作，來(lái)自馬克斯·普朗克計(jì)算機(jī)科學(xué)研究所、谷歌、蘇黎世聯(lián)邦理工學(xué)院和慕尼黑工業(yè)大學(xué)的研究者們聯(lián)手打造的 AnyUp。

顧名思義，“AnyUp”就是“任意上采樣”的意思。它的核心亮點(diǎn)在于，這是一個(gè)通用的特征上采樣模型，能夠處理來(lái)自任意視覺(jué)編碼器（比如DINO、CLIP）的特征，在任意分辨率之間進(jìn)行上采樣，而且最關(guān)鍵的是——無(wú)需為特定的編碼器進(jìn)行重新訓(xùn)練。這解決了現(xiàn)有方法一個(gè)很大的痛點(diǎn)。

一起來(lái)看看這項(xiàng)工作的基本信息：

• 論文標(biāo)題 : AnyUp: Universal Feature Upsampling

• 作者 : Thomas Wimmer, Prune Truong, Marie-Julie Rakotosaona, Michael Oechsle, Federico Tombari, Bernt Schiele, Jan Eric Lenssen

• 機(jī)構(gòu) : 馬克斯·普朗克計(jì)算機(jī)科學(xué)研究所, 蘇黎世聯(lián)邦理工學(xué)院, 谷歌, 慕尼黑工業(yè)大學(xué)

• 論文地址 : https://arxiv.org/abs/2510.12764

• 項(xiàng)目主頁(yè) : https://wimmerth.github.io/anyup/

• 代碼倉(cāng)庫(kù) : https://github.com/wimmerth/anyup

大家知道，像DINO、CLIP這類(lèi)強(qiáng)大的預(yù)訓(xùn)練視覺(jué)模型，已經(jīng)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的基石。但它們通?；赥ransformer架構(gòu)，為了計(jì)算效率，輸出的特征圖分辨率往往比較低（比如16x16或32x32）。這對(duì)于需要像素級(jí)預(yù)測(cè)的下游任務(wù)，如語(yǔ)義分割、深度估計(jì)等，是一個(gè)天然的限制。

為了解決這個(gè)問(wèn)題，學(xué)術(shù)界提出了不少特征上采樣的方法。但現(xiàn)有方法，特別是那些基于學(xué)習(xí)的方法（如FeatUp, LoftUp, JAFAR），通常存在一個(gè)“綁定”問(wèn)題：它們需要針對(duì)某一個(gè)特定的特征提取器（encoder）進(jìn)行訓(xùn)練。如果你想換一個(gè)編碼器，比如從DINOv2換到SigLIP，對(duì)不起，請(qǐng)重新訓(xùn)練你的上采樣模型。這不僅耗時(shí)耗力，有時(shí)甚至不可行（比如最新的大模型沒(méi)有開(kāi)放訓(xùn)練接口）。

AnyUp的出現(xiàn)，就是為了打破這種“一對(duì)一”的束縛，目標(biāo)是創(chuàng)建一個(gè)“萬(wàn)能”的上采樣器，訓(xùn)練一次，就能服務(wù)于所有視覺(jué)模型。

AnyUp的核心方法

AnyUp的整體架構(gòu)基于一個(gè)Attention機(jī)制，這和近期的JAFAR、LoftUp等工作思路相似。但它通過(guò)幾個(gè)關(guān)鍵設(shè)計(jì)，實(shí)現(xiàn)了“編碼器無(wú)關(guān)”（encoder-agnostic）的特性。

特征無(wú)關(guān)層 (Feature-Agnostic Layer)

這是實(shí)現(xiàn)通用性的核心。傳統(tǒng)的上采樣模型在處理輸入特征時(shí)，通常會(huì)用一個(gè)卷積層，但這個(gè)卷積層的輸入通道數(shù)是固定的，所以只能處理特定維度的特征。

AnyUp設(shè)計(jì)了一個(gè)巧妙的“特征無(wú)關(guān)層”。它的工作方式是：

1. 對(duì)輸入特征的 每一個(gè)通道 (channel) 都獨(dú)立地與一組共享的、可學(xué)習(xí)的卷積核 (basis filters) 進(jìn)行卷積。

2. 對(duì)每個(gè)通道的卷積結(jié)果，在“卷積核維度”上進(jìn)行Softmax歸一化。

3. 最后，將 所有通道 的結(jié)果進(jìn)行平均，得到最終的輸出。

通過(guò)這種方式，無(wú)論輸入特征有多少個(gè)通道（維度），輸出的維度都是固定的，并且模型能夠?qū)W習(xí)到跨通道的通用結(jié)構(gòu)信息，而不是綁定在特定特征的語(yǔ)義上。CV君認(rèn)為這個(gè)設(shè)計(jì)非常簡(jiǎn)潔且有效。

局部窗口注意力 (Local Window Attention)

之前的方法（如JAFAR）使用全局注意力，即高分辨率圖像中的每個(gè)像素可以關(guān)注到低分辨率特征圖中的任何一個(gè)位置。作者發(fā)現(xiàn)，這有時(shí)會(huì)導(dǎo)致模型錯(cuò)誤地關(guān)聯(lián)上圖像中距離很遠(yuǎn)且不相關(guān)的區(qū)域，產(chǎn)生偽影。

AnyUp對(duì)此進(jìn)行了簡(jiǎn)化，將注意力計(jì)算限制在一個(gè) 局部窗口 內(nèi)。這樣做不僅提升了效率，也讓模型的學(xué)習(xí)任務(wù)變得更簡(jiǎn)單，因?yàn)樗恍枰P(guān)注局部信息，從而避免了不必要的“遠(yuǎn)距離聯(lián)想”，使得上采樣結(jié)果更穩(wěn)定。

基于圖像塊的訓(xùn)練策略

在訓(xùn)練中如何獲得用于監(jiān)督訓(xùn)練的“真值”高分辨率特征呢？直接用大尺寸圖像輸入編碼器計(jì)算，成本太高。AnyUp采用了一種高效的策略：

1. 從一張高分辨率圖像 I 中，隨機(jī)裁剪出一個(gè)小塊 I' 。

2. 將完整圖像 I 縮放到與 I' 同樣的分辨率，并提取低分辨率特征 p 。

3. 將 p 通過(guò)AnyUp上采樣到目標(biāo)分辨率，得到 q 。

4. 同時(shí)，直接從圖像塊 I' 提取“真值”特征 ? 。

5. 監(jiān)督信號(hào)來(lái)自于上采樣結(jié)果 q 中對(duì)應(yīng) I' 的區(qū)域 q' 與 ? 之間的差異。

這個(gè)策略非常高效，因?yàn)樗苊饬藢?duì)超大分辨率圖像進(jìn)行特征提取。

實(shí)驗(yàn)效果如何？

AnyUp在多個(gè)下游任務(wù)上都展示了卓越的性能和泛化能力。

視覺(jué)質(zhì)量對(duì)比

從PCA可視化的特征圖可以看出，相比之前的方法（如LoftUp、JAFAR、FeatUp），AnyUp生成的特征圖邊緣更銳利，細(xì)節(jié)保留得更好，并且沒(méi)有出現(xiàn)明顯的偽影或特征分布偏移。

下游任務(wù)性能

在語(yǔ)義分割、深度估計(jì)和表面法線估計(jì)等任務(wù)上，AnyUp全面超越了之前的SOTA方法。

• 語(yǔ)義分割 : 在ADE20k數(shù)據(jù)集上取得了SOTA表現(xiàn)。

• 深度和法線估計(jì) : 同樣達(dá)到了SOTA，這表明AnyUp很好地保留了特征的局部幾何信息，而這正是LoftUp等方法所欠缺的。

下面是更多在語(yǔ)義分割和深度估計(jì)任務(wù)上的定性結(jié)果，可以看到AnyUp的結(jié)果在細(xì)節(jié)和邊界上都非常出色。

強(qiáng)大的泛化能力

這是AnyUp最令人印象深刻的地方。

• 跨模型泛化 : 一個(gè)僅在DINOv2特征上訓(xùn)練的AnyUp模型，可以直接用于上采樣SigLIP、DINOv3等完全不同的編碼器特征，并且性能依然強(qiáng)大，甚至接近或超過(guò)了為這些特定模型專門(mén)訓(xùn)練的上采樣器。

• 跨分辨率泛化 : AnyUp支持從任意分辨率到任意分辨率的上采樣，在各種分辨率組合下都保持了強(qiáng)大的性能。

• 特征空間保持 : 實(shí)驗(yàn)證明，AnyUp上采樣后的特征很好地保留了原始低分辨率特征的分布，這意味著一個(gè)在低分辨率特征上訓(xùn)練好的線性分類(lèi)器（probe）可以直接用在高分辨率特征上，性能幾乎無(wú)損，甚至有所提升。

消融研究證實(shí)了AnyUp每個(gè)設(shè)計(jì)的重要性，無(wú)論是特征無(wú)關(guān)層、局部窗口注意力還是數(shù)據(jù)采樣策略，都對(duì)最終性能有顯著貢獻(xiàn)。

總結(jié)

總而言之，AnyUp通過(guò)簡(jiǎn)潔而創(chuàng)新的設(shè)計(jì)，實(shí)現(xiàn)了一個(gè)真正意義上的“即插即用”的通用特征上采樣器。它不僅性能達(dá)到了SOTA，更重要的是其出色的泛化能力，極大地提升了預(yù)訓(xùn)練視覺(jué)模型在下游任務(wù)中的易用性和靈活性。作者已經(jīng)開(kāi)源了代碼，感興趣的同學(xué)可以去試試看！

大家對(duì)這個(gè)“萬(wàn)能”上采樣方法怎么看？歡迎在評(píng)論區(qū)留下你的看法！