DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection
DINO 通过对比去噪训练、用于锚点初始化的混合 query 选择，以及 look-forward-twice 框预测方案改进 DETR 类目标检测器。它在显著降低模型和数据需求的同时，在 COCO 上取得当时最优结果。
视觉
对现代多模态系统有参考价值的计算机视觉方法。
研究分类
对现代多模态系统有参考价值的计算机视觉方法。
3论文
9资源链接
2026.09最新月份
1 篇论文
目标检测
论文
代码1 篇论文
OCR
All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts
该论文提出多语言场景文本识别模型 ScriptMoE，共用一个视觉编码器，将每张图像路由至两个与文字系统对应的解码器专家，并结合共享专家建模跨文字系统的共性。论文还构建覆盖 10 种文字系统、229 种语言的合成数据集 TextMuSS-10M，缓解训练数据稀缺问题，在避免大型视觉语言模型高成本的同时提升多语言识别能力。
Hugging Face1 篇论文
语义对应
SOCO: Benchmarking Semantic Object Correspondence in Vision Foundation Models
SOCO 提出一个由分类体系驱动的语义对象对应基准，覆盖 100 个类别、超过一百万个对应点对，并提供一致且具有功能意义的关键点标注。评测揭示了视觉基础模型在跨类别迁移和对象部件几何理解上的不足，同时表明对应性能能够有力预测稠密下游任务表现。
项目