以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Self-supervised learning in Vision Transformer models, such as DINO, enables robust visual perception without requiring labeled data by leveraging large-scale image datasets. However, these models lack a focusing mechanism during training, resulting in perceptual representations that are often ambiguous or overly simil
阅读原文 · Yuji Nozawa, Yu-Chieh Lin, Youyang Ng
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文盯着一个很具体的问题：DINO 这类自监督 Vision Transformer 学到的注意力，为什么经常“糊”在一起。 摘要里说得很直白，这些模型训练时缺少聚焦机制，感知表征容易含糊，或者不同注意力头之间过度相似。作者的做法是加两个视觉聚焦损失，把注意力往图像里的特定区域上引导，让注意力头自己分化出空间分工。 如果你在做视觉表征、自监督学习，或者关...