共享神经空间：面向多任务和跨域视觉的统一预计算特征编码
计算机视觉与模式识别
2025-09-26 v1 人工智能
摘要
图像和视觉领域的大多数 AI 模型针对特定的高精度任务进行定制化。然而，这种策略在面向一系列模块化任务的应用中效率不高，因为每个任务都需要映射到不同的潜在领域。为克服这种不效率，我们提出了通用神经空间 (NS)，其中一个编码器-解码器框架预先计算跨视觉和成像任务的特征。我们的编码器学习到感知转换的、可泛化的表示，这些表示使多个下游 AI 模块能够共享相同的特征空间。该体系结构减少了冗余，提高了跨域迁移的泛化能力，并为高效的多任务视觉管道奠定了基础。此外，与较大的变换器背部结构相比，我们的背部结构更轻便且基于 CNN，允许更广泛地适用于各种硬件。我们进一步演示了诸如去马赛克、去噪、深度估计和语义分割等成像和视觉模块能够在 NS 中高效运行。
引用
@article{arxiv.2509.20481,
title = {Shared Neural Space: Unified Precomputed Feature Encoding for Multi-Task and Cross Domain Vision},
author = {Jing Li and Oskar Bartosz and Chengyu Wang and Michal Wnuczynski and Dilshan Godaliyadda and Michael Polley},
journal= {arXiv preprint arXiv:2509.20481},
year = {2025}
}