#masked modeling

LingBot-Vision 提出了掩码边界建模方法，由教师网络生成边界标记供学生重建，在 NYUv2 线性探测任务上以 1.1B 参数达到 0.296 RMSE 的最优结果，优于 DINOv3-7B 的 0.309。 这种新颖的自监督预训练方法在更少数据（1.61 亿张图像，而 DINOv3 约 5 亿张）下显著提升了深度估计性能，有望减少计算机视觉中对标注数据和大规模预训练的需求。 该方法采用师生框架，边界标记来自教师自身的预测，无需外部边缘检测器；掩码区域强制重建包含边界的区域。模型包含四种规模，权重以 Apache-2.0 许可证发布。