这项由同济大学计算机科学与技术学院主导的同济前沿研究，以arXiv预印本形式于2026年6月22日公开发布。大学的参的精度提论文编号为 arXiv:2606.22749，只用题为《RaysUp: Ultra-light Universal Feature Upsampling via Geometry-Aware Ray Representation》。数让视觉世界升倍研究人员通过引入几何感知的模型射线表示，成功解决了视觉基础模型（VFM）在特征上采样中的看清效率与精度矛盾。感兴趣的同济读者可通过该编号查阅完整论文。

核心痛点：AI视觉模型的大学的参的精度提“近视”困境

1. 从“马赛克”到“高清”的鸿沟

现代主流AI视觉基础模型（如DINOv2、CLIP等）在训练时，只用会将输入图像切割为小块（Patch）进行编码。数让视觉世界升倍这导致输出的模型“特征图”分辨率极低，通常仅为原图的看清1/14甚至1/32。
* 形象比喻：这就像将一幅高清油画压缩成16格的同济马赛克拼图。虽然模型能理解大致语义（“这是大学的参的精度提一只鸟”），但丢失了关键细节（“是只用麻雀还是燕子”、“羽毛纹理”）。
* 现实需求许多下游任务（语义分割、深度估计、法线估计）需要像素级的精确预测，如同外科手术般精准，而非模糊的大致判断。

2. RaysUp的解决方案

同济大学团队提出 RaysUp方案，核心理念是：不修改底层视觉模型，而是为其配备一副轻量级“放大镜”。
* 性能突破：仅使用现有最先进方案 16%的参数量，推理速度提升约 7倍。
* 核心能力：将低分辨率的“马赛克理解”无损还原为高清细节，同时保持跨模型的通用性。

现有技术的局限性：为何需要新方案？

在RaysUp之前，特征上采样领域存在三种主要路径，但均存在明显短板：

RaysUp的目标：实现模型无关、任意分辨率支持、极致轻量且高精度的统一解决方案。

技术原理：从“二维平面”到“三维射线”的革命

RaysUp的核心创新在于视角的转换：将图像上采样从“二维平面插值”重构为“三维几何推理”。

1. 几何视角的必要性

在二维图像坐标系中相邻的像素，在真实三维空间中可能相距甚远（例如：室内白墙与窗外蓝天在图像边缘相邻，但物理距离巨大）。传统二维方法容易错误地混合不同深度的信息，导致边界模糊。

2. 射线（Ray）表示法

RaysUp将每个像素定义为“从相机出发穿过该像素的三维光线”。
* 粗采样 vs 细采样：基础模型的低分辨率特征视为“稀疏射线探测”，RaysUp的任务是将这些稀疏结果插值到“密集射线网格”上。
* 几何一致性：方向相近的射线对应同一物体表面，方向差异大的射线对应不同空间物体。上采样过程遵循三维几何规律，而非简单的二维距离。

四大核心模块解析

模块一：空间解耦引导编码器（Spatially Decoupled Guidance Encoder）

目标：提供高分辨率RGB图像引导，解决特征提取中的“中心盲区”问题。
* 问题发现：传统3×3卷积存在“重边缘、轻中心”的权重分布，导致特征图出现信息丢失的“破洞”。
* 解决方案：采用四路并行侦察策略：
1. 中心感知：1×1卷积，确保中心权重最大化（1.00）。
2. 水平扫描：1×3卷积。
3. 垂直扫描：3×1卷积。
4. 对角感知：间隔2×2卷积。
* 收益：特征提取均匀完整，且参数量从27×Dg降至约8.25×Dg，节省69.4%参数。

模块二：任意分辨率交叉注意力（Any-Resolution Cross-Attention）

目标：实现低分辨率特征向高分辨率输出的映射，且无需重新训练。
* 机制：
* Query：来自高分辨率引导特征。
* Key/Value：来自低分辨率AI基础模型特征。
* 任意分辨率支持：通过自适应平均池化动态生成Query和Key，如同变焦镜头，适配224×224至896×896等任意分辨率，无需微调。

模块三：射线位置编码（RayPE, Ray Positional Encoding）

目标：赋予模型三维几何感知能力，区分不同空间深度的信息。
* 创新点：摒弃传统的二维坐标（行/列），采用6D Plücker坐标描述射线（起点+方向）。
* 多频谐波相位编码：利用傅里叶分析原理，在多个空间尺度捕捉几何变化，并通过旋转调制（RoPE精髓）将位置信息烙印进特征相位。
* 效果：不增加参数量，但使注意力机制自动遵循三维几何规律。消融实验显示，移除RayPE导致性能下降约1.12个百分点。

模块四：几何感知邻域交叉注意力（Geometry-Aware Neighborhood Cross-Attention）

目标：高效执行特征聚合，平衡计算量与精度。
* 局部邻域策略：避免全局注意力的平方级计算复杂度。每个高分辨率Query仅关注低分辨率Key图中对应的k×k邻域（k=6）。
* 膨胀因子对齐：根据分辨率缩放比例调整采样步长，确保物理空间覆盖一致。
* 几何一致性：基于RayPE，方向相似的射线获得高注意力权重，实现沿物体表面的平滑特征传播。

训练策略：极致轻量与高效

• 硬件与时间：单块NVIDIA A100 GPU，训练耗时约 1小时（AnyUp需5小时）。
• 数据增强：
• 随机缩放（2-4倍）生成低分辨率输入。
• 局部裁剪策略：额外引入局部小块作为监督信号，迫使模型学习任意子区域的细节重建。此策略使Cityscapes mIoU提升1.16%，ADE20K提升0.26%。
• 损失函数：重建特征与目标特征之间的余弦相似度损失 + L2距离损失。

实验结果：全面超越，效率碾压

RaysUp在五大类密集预测任务上进行了系统评估，对比对象包括双线性插值、FeatUp、LoftUp、JAFAR和AnyUp。

1. 精度表现：SOTA级别

• 语义分割：
• Pascal-VOC mIoU：84.64（超越AnyUp的84.18和JAFAR的83.89）。
• Cityscapes mIoU：61.88（超越AnyUp的60.62）。
• 深度估计（体现几何优势）：
• NYUv2绝对深度RMSE：0.4658（优于AnyUp的0.4781）。
• NYUv2相对深度RMSE：0.3195（全场景最优）。
• 表面法线估计：
• RMSE：27.69（优于AnyUp的27.83）。
• 视频目标分割：
• DAVIS J&F均值：71.47（超越AnyUp和LoftUp），展现更强的时序一致性。

2. 通用性验证

在DINOv2、DINOv3、SigLIP2、PE Spatial四种基础模型及ViT-S/M/L三种规模下，RaysUp在Pascal-VOC和NYUv2指标上全面超越唯一具备通用性的竞品AnyUp。

3. 效率对比：降维打击

• 关键优势：RaysUp在2K分辨率下仍可运行，而竞品均崩溃。这对医学影像、卫星图像等高分辨率场景至关重要。

消融实验：设计选择的科学性

1. 引导编码器：四路解耦设计（82.17%）优于单支路、双支路及普通多支路，且参数最少。
2. 特征维度：256维为性价比最优解（82.17%），增加至512/768维收益微乎其微但参数激增。
3. 位置编码：RayPE（82.17%）显著优于RoPE（81.92%）和SinRays（81.59%），证明三维几何先验的有效性。
4. 相机姿态：默认恒等矩阵（正前方假设）已达最优平衡；引入Depth Anything 3估计真实姿态可微升性能，但训练成本过高，故不作为默认配置。

总结与展望

RaysUp通过将特征上采样重构为三维几何推理问题，以极简的架构（0.14M参数）解决了现有方法“重、慢、专用”的三大顽疾。

• 应用价值：自动驾驶、医疗影像、机器人视觉等系统可低成本提升AI“视力”，且无需针对特定基础模型重新训练。
• 未来方向：目前在零样本开放词汇分割任务上，因缺乏SAM等额外监督信号，略逊于LoftUp。未来研究可探索如何在无额外监督下进一步缩小这一差距。

资源链接：
* 论文：arXiv:2606.22749
* 代码：GitHub (MAP-RaysUp/RaysUp)

Q&A

Q1：RaysUp与普通双线性插值有何本质区别？
A：双线性插值仅做像素颜色加权平均，无视内容，导致模糊。RaysUp具备学习能力，利用原图引导和注意力机制，结合三维射线几何信息，精准判断高分辨率位置应参考的低分辨率特征，保留语义精确性和几何清晰度。

Q2：RaysUp需要针对每种AI视觉模型单独训练吗？
A：不需要。RaysUp仅需在单一模型（如DINOv2-S）上训练一次，即可通用至DINOv2、DINOv3、SigLIP2等多种架构和规模的模型，无需微调。实验证明其通用性优于竞品AnyUp。

Q3：RayPE中的“相机参数”在实际应用中如何获取？
A：消融实验表明，即使假设相机为正前方拍摄（恒等矩阵），RaysUp也能达到最优效率-性能平衡。若需更高精度，可使用Depth Anything 3等工具估计真实相机姿态，但非必需。默认设置即可满足绝大多数应用场景。