eomt

收录理由

EoMT 是 CVPR 2025 的 Highlight 论文，它重新审视了图像分割到底需要多复杂的网络结构。这个项目直接把一个预训练好的普通 Vision Transformer 拿来用，让图像块和分割查询都作为 token 一起编码，既不加适配器，也不挂解码器。别看结构这么简单，它的精度能逼近那些堆砌了各种任务专用模块的最新方法，而且用 ViT-L 做骨干时速度还能快上 4 倍。仓库里提供了在 COCO、ADE20K 和 Cityscapes 上做全景、实例和语义分割的官方训练与评估代码，还带 DINOv2、DINOv3 骨干的配置和预训练权重模型库。想拿它当轻量基线来对比现有流程的团队会很顺手，配套的 VidEoMT 工作还把同样的极简思路延伸到了视频分割上。