Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳

AIGC动态欢迎阅读

原标题：Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳
关键字：模型,局部性,报告,图像,偏差
文章来源：新智元
内容字数：0字

内容摘要：

新智元报道编辑：乔杨
【新智元导读】下一代视觉模型会摒弃patch吗？Meta AI最近发表的一篇论文就质疑了视觉模型中局部关系的必要性。他们提出了PiT架构，让Transformer直接学习单个像素而不是16×16的patch，结果在多个下游任务中取得了全面超越ViT模型的性能。正如token是文本处理的基本单位，patch也被默认是计算机视觉领域处理图像的基本单位。
从CNN诞生，到结合Transformer架构的ViT，虽然模型架构发生了很大的变化，但有一点始终一致——
研究人员们都会把原始图像先进行切割，模型输入以patch作为基本单位。这种预处理方法非常有效，因此有广泛的影响力，几乎主导了整个CV领域。甚至于，Sora等视频生成模型也沿用了这种方法。
Sora技术报告，训练时将视觉数据切割为patch
然而，Meta AI和阿姆斯特丹大学最近联合发表了一篇文章，对这个CV领域的「基操」提出了有理有据的质疑：图像切成patch，真的有必要吗？
https://arxiv.org/abs/2406.09415
首先我们可以做一个思维实验，将图片切成patch，究竟会对模型的哪方

原文链接：Meta新研究挑战CV领域基操：ViT根本不用patch，用像素做token效果更佳