MuRF：释放视觉基础模型的多尺度潜力

视觉基础模型 (VFM) 已成为现代计算机视觉的基石，为各种任务提供强大的表示。虽然最近的进展允许这些模型在训练期间处理不同的输入大小，但推理通常仍然局限于单一的固定规模。这种流行的单尺度范式忽视了视觉感知的一个基本属性：不同的分辨率提供了互补的归纳偏差，其中低分辨率视图擅长全局语义识别，而高分辨率视图对于细粒度细化至关重要。在这项工作中，我们提出了多分辨率融合（MuRF），这是一种简单但普遍有效的策略，可以在推理时利用这种协同作用。 MuRF 不依赖单一视图，而是通过冻结的 VFM 以多种分辨率处理图像并融合所得特征，从而构建统一的表示。 MuRF 的通用性是其最引人注目的属性。它不依赖于特定的架构，而是作为视觉表示的基本 无需训练 增强。我们通过将 MuRF 应用于多个不同 VFM 系列（主要是 DINOv2）的广泛关键计算机视觉任务来实证验证这一点，但也证明了对 SigLIP2 等对比模型的成功泛化。