dinov2

FedCC 提出了一种联邦学习框架，结合冻结的 DINOv2 骨干网络、轻量级 YOLO 检测头和 LoRA 模块，用于胎儿超声图像中稳健的胼胝体定位，在多中心设置下以大幅降低的通信成本实现了强劲性能。

论文介绍了RiT，这是一种原版扩散变换器，在冻结的DINOv2特征上使用x预测的流匹配进行训练，在ImageNet 256×256上以更少的参数和无需蒸馏的快速采样实现了有竞争力的FID分数。

MARCO 提出一种轻量高速的语义对应模型，通过由粗到精的目标与自蒸馏框架结合 DINOv2，在未知关键点上也达到 SOTA 精度与泛化能力。