面向视觉的 Light Cones：简单因果先验的视觉层级
机器学习
2026-03-27 v1 计算机视觉与模式识别
摘要
标准视觉模型将物体视为欧几里得空间中的独立点，无法捕捉诸如部件嵌入整体等的层级结构。我们引入 Worldline Slot Attention，模型将物体建模为时空世界线上的持久轨迹，其中每个物体在不同层级水平上拥有多个插槽，共享相同空间位置但在时间坐标上不同。该架构在缺乏几何结构时始终会失败：欧几里得 worldline 仅实现 0.078 的层级精度，低于随机抽样水平 (0.33)，而 Lorentzian worldline 在三个数据集上实现 0.479-0.661 的精度，提升 6 倍，通过 20+ 独立运行复制验证。Lorentzian 几何也优于双曲嵌入，表明视觉层级结构需要编码非对称因果性（时间依赖性），而非树状结构（放射状分支）。我们的结果表明，层级物体发现需要几何结构来编码非对称因果性，这种归纳偏见不属于欧几里得空间，却是自然融入 Lorentzian 光锥的特性，仅需 11K 参数即可实现。代码地址：https://github.com/iclrsubmissiongram/loco
引用
@article{arxiv.2603.24753,
title = {Light Cones For Vision: Simple Causal Priors For Visual Hierarchy},
author = {Manglam Kartik and Neel Tushar Shah},
journal= {arXiv preprint arXiv:2603.24753},
year = {2026}
}
备注
ICLR GRaM Workshop 2026