**视觉Transformer中补丁网格不稳定性的相位边缘化方法**

_Phase Marginalization for Patch-Grid Instability in Vision Transformers_

> 视觉Transformer依赖固定补丁网格，密集预测时补丁划分变化会引入相位依赖的不稳定性，尤其边界处像素可用的令牌证据会改变。该工作将补丁网格相位形式化为干扰变量，提出相位边缘化作为后处理方法：评估结构化相位、逆对齐密集输出并在原图聚合。核心变体均匀相位边缘化（K=4）无需训练，在分割、深度估计和局部匹配任务上超越标准基线。在Cityscapes实验中，相比通用平移测试时增强，K=4方法在相同计算量下实现微小优势（+0.31 mIoU）。缩放实验表明K=4是精度与成本的理想平衡点，K=8几乎无额外提升，K=16精度增加极少但延迟大增。研究确立了补丁网格相位为可度量的干扰变量，相位边缘化可作为密集ViT预测的简易诊断与后处理基线。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-09 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.08132)