用于语义和几何任务的稳定单像素对比学习
Stable Single-Pixel Contrastive Learning for Semantic and Geometric Tasks
AI总结：
本文提出了一种稳定的单像素对比学习方法，用于同时捕捉图像的语义和几何信息，通过过完备描述符实现精确点对应，无需动量基教师-学生训练。
摘要：
我们试点了一种稳定的对比损失家族，用于学习能够同时捕捉语义和几何信息的像素级表示。我们的方法将图像中的每个像素映射到一个过完备的描述符，该描述符既具有视角不变性又具有语义意义。它能够在不需基于动量的教师-学生训练的情况下，实现图像间的精确点对应。在合成2D和3D环境中进行的两个实验展示了我们损失函数的特性以及由此产生的过完备表示。
英文摘要：
We pilot a family of stable contrastive losses for learning pixel-level representations that jointly capture semantic and geometric information. Our approach maps each pixel of an image to an overcomplete descriptor that is both view-invariant and semantically meaningful. It enables precise point-correspondence across images without requiring momentum-based teacher-student training. Two experiments in synthetic 2D and 3D environments demonstrate the properties of our loss and the resulting overcomplete representations.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
