arXiv · cs.AI· Adam Pardyl, Siddhartha Gairola, Sukrut Rao, Adam Wróbel, Bartosz Zieliński, Bernt Schiele, Dawid Rymarczyk·· 1 天前
DisParQ：用于可解释视觉基础模型的自监督部件概念学习
DisParQ: Self-Supervised Part Concepts for Interpretable Vision Foundation Models
arXiv:2610.09802v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Adam Pardyl, Siddhartha Gairola, Sukrut Rao, Adam Wróbel, Bartosz Zieliński, Bernt Schiele, Dawid Rymarczyk
首次提交：2026-10-07 18:19
研究任务与主要进展
作者提出DisParQ，从冻结的视觉自监督主干中学习空间定位的离散部件概念，无需类别标签或语言监督；连续残差进一步被量化为离散属性，空间解码器仅用概念和属性重建主干表示。作者在七个数据集上评估该方法，报告其在ImageNet线性探测中达到83.2%的top-1准确率，并在细粒度识别和跨类别部件检索任务上保持竞争力。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org