SimDINO团队 投稿
量子位 | 公众号 QbitAI
最新开源的视觉预训练方法，马毅团队、微软研究院、UC伯克利等联合出品！
SimDINO和SimDINOv2，通过编码率正则化简化DINO和DINOv2模型训练流程得到的两个最新模型。
在目前视觉预训练领域，DINO和DINOv2是最强视觉模型梯队选手，也是目前最常用的方法。在多模态大模型火热的当下，DINOv2也经常被用作VLM中的视觉编码器提供视觉特征。
此外，图灵奖得主、Meta首席AI科学家杨立昆团队近期关于世界模型的工作，也基于DINOv2而来。
（当然了，DINO模型本身就是四年前Meta AI团队提出的）
但DINO系列目前仍然需要基于非常复杂的工程方法来实现。
而SimDINO通过去除DINO中复杂的后处理步骤等，解决了DINO系列的训练难题。
更令人惊喜的是，简化后的模型不仅训练更容易，性能反而更强。
或许这就是“简单即是美”的设计理念在深度学习中的重要价值？（手动狗头）
马毅表示：
我们不是在修补DINO，而是在重新发现视觉表示学习的本质规律。
核心方法：化繁为简
自监督学习（Self-Supervised Learning，SSL）在处理大规模未标记图像数据方面取得了显著进展。
在CV领域，DINO系列模型堪称自监督学习的标杆选手。
这个无需人工标注就能从海量图像中自主学习特征的模型，不仅在下游任务中屡创佳绩，更成为多模态大模型视觉编码器的标配。
但是，DINO系列模型的强能力，伴随着「需要被精心呵护」：
- 需要精心设计的温度调度策略（温度参数τ要精确到小数点后三位）
- 依赖复杂的中心化-锐化操作（堪比精密仪器的校准流程）
- 必须搭配高维原型投影层（特征维度动辄破万）
这些“保命装置”虽然能防止模型陷入特征崩溃，却让训练过程变成了超参数调优的噩梦。并且当研究人员尝试改进模型架构或适配新领域时，往往牵一发而动全身，稍有不慎就会让整个系统停摆。
为了解决这些问题，SimDINO和SimDINOv2模型闪亮登场～
通过引入编码率正则化，简化训练流程，提高模型的鲁棒性和性能。
这俩模型的核心思想，是通过编码率正则化防止表示崩溃，从而去除原始DINO和DINOv2训练流程中许多经验性设计组件。
具体方法包括：
- 移除经验性组件：删除权重归一化的线性层、平衡操作（如中心化、锐化）以及各种超参数（如温度调度、中心化动量）等。
- 引入编码率正则化：在损失函数中添加一个简单的编码率正则化项，以防止表示崩溃。
SimDINO和SimDINOv2模型的主要创新点除了上述2种方法外，还有一点，即简化的训练流程。
通过上述2种具体方法的改进，SimDINO和SimDINOv2的训练流程更加简洁，减少了对超参数的依赖，提高了训练的稳定性和效率。
引入编码率正则化，训练更稳定、性能更强
回顾自监督对比学习“同类相聚，异类相斥”的原始出发点，研究团队发现，DINO中许多复杂设计（如输出层高维投影、教师网络输出中心化-锐化操作、温度调节等）都是在间接地利用负样本信息来防止模型习得的表示“崩溃”。
而SimDINO系列研究团队提出这一需求，可以转而使用马毅提出的数据编码率失真估计方法（可参考MCR2等系列工作），采用显示度量模型表征的质量作为正则化项。
基于这一发现，研究人员提出了一个解决方案：
引入编码率（coding rate）正则化，通过在损失函数中添加一个显式的编码率正则项来避免表示崩溃。
这个简单的改动就能替代原本复杂的设计，将训练流程向简约靠近。
而简化的模型训练流程可以带来几个关键优势，即「更清晰的优化目标、更少的组件依赖、更容易的理论分析、更好的可扩展性」。
具体而言，SimDINO保留了DINO模型的EMA自蒸馏方案和多视图数据增强方法，但在对比学习方案上进行了修改。
抛弃输出层高维原型投影+交叉熵多分类，直接使用欧几里得距离/余弦相似度比较学生网络（student network）和教师网络（teacher network）生成的特征。
加入编码率正则化项促使模型学习到更具区分性的表示，移除教师网络输出中心化-锐化操作、温度调节等避免表示崩溃的技巧。
通过引入编码率正则化，SimDINO能够有效防止特征崩溃，确保学习到的信息具有较大的信息熵，从而提高模型的泛化能力。
SimDINOv2 则进一步将DINOv2 引入的 iBOT机制进行替换。
它直接使用余弦相似度监督掩码区域token与教师网络表示间的对齐，而Sinkhorn-Knopp centering、KoLeo正则化等复杂设计也被简化移除。
相比于原版DINO， SimDINO的训练流程更为简洁，去除了许多繁琐的组件和超参数，降低了模型训练的复杂度，使得研究人员和工程师更容易理解和实现这些模型。
从实验角度看，这一系列操作可以让模型训练更稳定，性能也更强。
各种评估均优于DINO系列
为了验证SimDINO和SimDINOv2的有效性，研究团队在多个数据集和任务上进行了广泛的实验评估，包括图像分类、目标检测、语义分割以及视频对象分割。
实验结果表明，SimDINO系列在计算效率、训练稳定性和下游任务性能上均优于DINO系列。
ImageNet-1K图像分类
SimDINO和SimDINOv2在ImageNet-1K上进行了评估，包括k-NN 分类和线性评估（linear probing）。
还与DINO、DINOv2进行了对比。
COCO val2017无监督目标检测与实例分割
在目标检测任务中，研究团队采用MaskCut作为基础检测框架，并在COCO val2017数据集上进行了评估。
具体来说，主要对比了AP50、AP75和AP三个指标：
ADE20K语义分割和DAVIS-2017视频对象分割
在语义分割任务上，研究团队采用linear head并在ADE20K数据集上进行了评估。
这个任务上主要对比了 mIoU（平均交并比）和 mAcc（平均像素精度）。
特别要提到的是，SimDINO还在DAVIS-2017上进行了评估，包括 (J&F)m、Jm和Fm三个标准指标。
结果显示，它在定性的特征可视化分析上也展现出了DINO系列工作中表现突出的语义表达能力涌现现象。
与此同时，SimDINO和SimDINOv2对超参数和数据的变化更稳健了。
其它
此外，项目论文中通过理论分析，提出了一个关于SimDINO超参数选择的理论：
如何平衡编码率正则化项和距离项的梯度范数。
通过理论推导，作者给出了一个关于超参数γ的选择方法，使得两个项的梯度范数在优化过程中保持平衡。
下图显示的是在SimDINO和DINO下训练 ViT-B/16的训练动态。
X轴表示训练周期（epochs），Y轴表示在ImageNet-1K上的k-NN评估性能。
其中，左图显示的是两个模型均在ImageNet-1K数据集上训练。
为更好地展示优化过程，研究团队省略了早期训练阶段的数据。
右图显示的是两个模型均在 COCO train2017 数据集（大约是 ImageNet-1K的1/10）上训练。
作为一个验证实验，该结果表明SimDINO需要更少的超参数调优，并且优化过程更加简单。
研究团队
SimDINO系列由多所学校与机构的研究者共同完成，包括UC伯克利、忆生科技、微软研究院、香港大学等。
一作是UC伯克利三年级博士生吴梓阳，导师是马毅。
他主要研究方向为表征学习与多模态学习，致力于通过数学与统计理论构建高效、可解释的深度学习模型。
此前，吴梓阳本硕均就读于康奈尔大学。
在论文最后，SimDINO研究团队进一步提出和建议了SimDINO的几个潜在改进方向：
- 在SimDINO框架基础上进一步探索不需要自蒸馏优化的自监督目标。
- 简化后的框架为自监督学习的理论分析提供了更好的切入点。
- 将”显式化隐式设计选择”的范式推广到其他框架，启发并探索其他模型的简化改进方法。
论文地址：
https://arxiv.org/abs/2502.10385
项目主页：
https://robinwu218.github.io/SimDINO
GitHub：
https://github.com/RobinWu218/SimDINO
