當(dāng)前，所有主流的視覺基礎(chǔ)模型（如 SigLIP、DINOv2 等）都仍然在低分辨率（如 384 * 384 分辨率）下進(jìn)行預(yù)訓(xùn)練。對比人類視覺系統(tǒng)可以輕松達(dá)到 10K 等效分辨率，這種低分辨率預(yù)訓(xùn)練極大地限制了視覺模型對于高清細(xì)節(jié)的理解能力。

然而，當(dāng)前視覺模型預(yù)訓(xùn)練很難提升到更高的分辨率，核心原因在于計(jì)算代價(jià)過于高昂。比如 SigLIP，在預(yù)訓(xùn)練過程中需要編碼整張圖像，計(jì)算復(fù)雜度至少與圖像分辨率二次增長，導(dǎo)致訓(xùn)練成本暴漲，幾乎無法承受。

近日，伯克利聯(lián)合英偉達(dá)提出一項(xiàng)突破性成果：PS3 視覺編碼器，首次實(shí)現(xiàn)了在 4K超高分辨率下的高效視覺預(yù)訓(xùn)練并且沒有額外開銷，并在此基礎(chǔ)上提出多模態(tài)大模型 VILA-HD。相比于目前最先進(jìn)的多模態(tài)大模型（如 Qwen2-VL），VILA-HD 提升了高清場景下的表現(xiàn)和效率。

更關(guān)鍵的是，研究團(tuán)隊(duì)還發(fā)布了一個(gè)強(qiáng)挑戰(zhàn)性的高分辨率視覺基準(zhǔn)測試集：4KPro。在這個(gè)數(shù)據(jù)集上，VILA-HD 相比于 Qwen2-VL 提升了 3.2% 的準(zhǔn)確率并且實(shí)現(xiàn)了三倍的加速。

研究團(tuán)隊(duì)也開放了全部內(nèi)容，該研究已被 CVPR 2025評為 Highlight 論文。

論文標(biāo)題：Scaling Vision Pre-Training to 4K Resolution

論文地址：https://arxiv.org/abs/2503.19903

項(xiàng)目主頁：https://nvlabs.github.io/PS3/

代碼庫（即將開源）：https://github.com/NVLabs/PS3

模型權(quán)重：即將發(fā)布

一、PS3

4K 超高清視覺預(yù)訓(xùn)練

高清預(yù)訓(xùn)練所遇到的困難

當(dāng)前主流視覺模型之所以不能在 4K 下預(yù)訓(xùn)練，是因?yàn)樵诟叻直媛氏滦枰麍D編碼，計(jì)算復(fù)雜度至少與圖像分辨率二次增長。這使得目前模型很難在 1K 或以上的分辨率進(jìn)行預(yù)訓(xùn)練。

但伯克利 & 英偉達(dá)團(tuán)隊(duì)發(fā)現(xiàn)，識別局部細(xì)節(jié)無需整圖理解。于是他們提出局部對比學(xué)習(xí)的訓(xùn)練范式，使得 PS3 能夠在沒有額外開銷的情況下將預(yù)訓(xùn)練分辨率提高到 4K。

局部對比學(xué)習(xí)：「免費(fèi)」的高清預(yù)訓(xùn)練

傳統(tǒng)方法，例如 SigLIP，會對全局視覺表征和全局文字描述表征做對比學(xué)習(xí)。與之相比，PS3 采用局部對比學(xué)習(xí)策略：僅對圖像中的局部區(qū)域與局部區(qū)域的細(xì)節(jié)描述進(jìn)行編碼和對比。這種方式不僅保留了高分辨率的細(xì)節(jié)理解能力，由于模型不需要處理整張高清圖像而只需要處理局部區(qū)域，也極大降低了計(jì)算成本。

實(shí)驗(yàn)顯示，該方法訓(xùn)練時(shí)間可以比直接在 4K 分辨率上預(yù)訓(xùn)練節(jié)省 79 倍，與低分辨率預(yù)訓(xùn)練 SigLIP 相近，卻能處理高達(dá) 4K 分辨率圖像，實(shí)現(xiàn)前所未有的精細(xì)表示能力。

PS3 關(guān)鍵設(shè)計(jì)：選擇性處理高清圖片

PS3 并非盲目處理所有像素，而是動(dòng)態(tài)選擇性地采樣圖像區(qū)域：既可以使用圖像顯著性，也可以用任何自然語言來控制處理的區(qū)域。

此外，PS3 設(shè)計(jì)支持靈活的計(jì)算資源控制 —— 用戶可以根據(jù)場景需要，調(diào)整高分辨率 patch 的數(shù)量，平衡速度與性能。

二、VILA-HD

基于 PS3 的高分辨率 MLLM

基于 PS3，團(tuán)隊(duì)構(gòu)建了多模態(tài)大模型 VILA-HD，其核心優(yōu)勢在于：

• 細(xì)節(jié)感知能力超過現(xiàn)有 MLLMs（如 Qwen2-VL）。這得益于 PS3 的高清視覺預(yù)訓(xùn)練提升了細(xì)節(jié)理解能力。
• 響應(yīng)速度也比現(xiàn)有 MLLM 更快：VILA-HD 可根據(jù)提示只處理圖像中相關(guān)區(qū)域，而不是一口吃下整張圖。這使得 VILA-HD 比當(dāng)前基于 AnyRes/S2 等處理整張高清圖的 MLLM 速度更快。
• 根據(jù)用戶需求靈活調(diào)整響應(yīng)速度：VILA-HD 可以靈活調(diào)整處理的高清區(qū)域大小，從而可以適應(yīng)不同的推理開銷要求。

更有趣的是，團(tuán)隊(duì)發(fā)現(xiàn)在 VILA-HD 上，PS3 展現(xiàn)了不同的有趣的擴(kuò)展能力。在提升下游任務(wù)分辨率時(shí)，PS3 的性能比沒有高清預(yù)訓(xùn)練的模型性能提升的要更快。PS3 還可以在提升分辨率的同時(shí)選擇固定大小的高清區(qū)域，從而在訓(xùn)練與推理開銷保持不變的情況下提升性能。除此之外，PS3 還可以通過擴(kuò)展訓(xùn)練或測試時(shí)的計(jì)算量來進(jìn)一步提高性能。

三、僅有高分辨率還不夠

我們還需要高分辨率的 Benchmark

研究者們發(fā)現(xiàn)，當(dāng)前絕大多數(shù)視覺問答評測集，即使圖像是 4K 分辨率，實(shí)際任務(wù)卻不需要這么高的分辨率來解題。他們引入了一個(gè)新概念：MRR（Minimum Recognizable Resolution）：完成某個(gè)任務(wù)所需的最小有效圖像分辨率。

分析顯示，大量數(shù)據(jù)集的 MRR 實(shí)際低于 1K，因此難以衡量高分辨率模型的真實(shí)優(yōu)勢。

為此，研究團(tuán)隊(duì)推出了 4KPro —— 這是一個(gè)真正需要 4K 級圖像感知能力才能完成的高分辨率基準(zhǔn)測試。4KPro 在自動(dòng)駕駛，家務(wù)家居，游戲 agent，UI 理解四個(gè)專業(yè)領(lǐng)域收集了 4K 分辨率的圖片以及需要 4K 分辨率才能回答的問題。

在 4KPro 上，VILA-HD 顯著優(yōu)于現(xiàn)有 SOTA 多模態(tài)模型，比如相對 Qwen2-VL 提升了 3.2% 的準(zhǔn)確率，同時(shí)在處理速度上可以實(shí)現(xiàn)最高 3 倍加速。

PS3 + VILA-HD 打破了長久以來視覺預(yù)訓(xùn)練只能處理小圖像的桎梏，為真實(shí)世界應(yīng)用（如自動(dòng)駕駛、自動(dòng)代理、家用機(jī)器人、工業(yè)檢測、醫(yī)學(xué)圖像等）打開了新的可能。