论文页面 - 让RGB成为视觉的语言

来源：https://huggingface.co/papers/2607.12450

作者：

，

，

，

，

，

，

，

，

，

，

，

，

摘要

本文提出了一种统一的视觉模型范式，其中除自然图像外的多种视觉信息形式——如掩码、深度图及其他结构化视觉信号——均被表示为RGB图像，同时通用视觉任务可转化为通用的RGB到RGB图像编辑问题。在此范式下，不同类型的视觉信息内部与自然图像共享相同的编码解码架构与参数，从而使得单一模型能够通过统一的视觉界面跨任务迁移，其方式类似于语言模型处理文本。我们将这一范式称为RGB输入与RGB输出（RINO）。基于通用图像编辑主干网络，无需针对特定任务进行微调，RINO在密集理解任务（如分割和深度估计，我们将输出统一为RGB）以及密集条件生成任务（如姿态到图像的生成，我们将输入统一为RGB）上展现出鲁棒且具有竞争力的零样本性能。我们希望这项研究能为通用统一视觉-语言系统提供有益启示——在该系统中，多样化的视觉任务能够通过共享的视觉语言被表达、解释并求解。代码见 https://github.com/yangtiming/RINO。

查看arXiv页面 (https://arxiv.org/abs/2607.12450)查看PDF (https://arxiv.org/pdf/2607.12450)GitHub7 (https://github.com/yangtiming/RINO)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.12450)

在你的智能体中获取此论文:

hf papers read 2607\.12450

没有最新的CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

暂无模型链接此论文

请在模型的README.md中引用 arxiv.org/abs/2607.12450 以从此页面链接。

引用本文的数据集 0

暂无数据集链接此论文

请在数据集的README.md中引用 arxiv.org/abs/2607.12450 以从此页面链接。

引用本文的Space 0

暂无Space链接此论文

请在Space的README.md中引用 arxiv.org/abs/2607.12450 以从此页面链接。

包含本文的收藏集 0

无收藏集包含此论文

将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接。