بعد تدريبها على صور عادية، بدأ نموذج DINOv3 فجأة برؤية الوجوه كطيف: بنفسها، دون أي إرشاد، تقوم بتحديد مناطق العينين والأنف والفم.
في 200 مقطع فيديو، بلغت دقة تحديد الملامح 83% (بينما التخمين العشوائي 23%). عند تتبع الشفاه والحواجب، وصلت إلى 95.5%. لكن الانفصال 'الطيفي' الأكثر وضوحاً لا يكون في الطبقة النهائية، بل في الطبقة 18 من أصل 24: هناك تكون الفروق مضاعفة خمس مرات، ثم تتلاشى عند الخروج.
بالمقارنة مع نموذج CLIP الذي يلتقط الصورة الظلية العامة، يتفوق DINOv3 بـ 16.8 نقطة مئوية في تمييز الملامح الدقيقة. الهندسة المعمارية، الشبيهة بـ أنظمة الرؤية القياسية، أنتجت في أعماقها خريطة وجه - مطياف حقيقي للملامح. المؤشرات الثابتة من منتصف الشبكة - أداة جاهزة لفك رموز تعابير الوجه دون أي تدريب.
كما كتبه المؤلفون، بالإنجليزية arXiv:2607.14423
Frozen self-supervised vision models can align parts of generic objects, but it remains unclear whether this correspondence extends to human faces, where global layout is shared while identity-specific appearance varies sharply. We test whether frozen DINOv3 features define a region-level facial coordinate system: a feature space in which eyes, brows, nose, mouth, skin, and hair remain distinguishable across people and across time without face-specific training. Using DINOv3 ViT-L/16 patch embeddings and FaRL only as a face-part labeling interface, we evaluate cross-identity nearest-neighbor matching and temporal label propagation on 200 CelebDF-v2 real videos. DINOv3 achieves 83.0% region-level semantic accuracy under unconstrained cross-identity matching, compared with a 23.0% area-weighted random baseline, and 95.5% temporal tracking accuracy without a learned temporal module. A no-FaRL control collapses to 0.9%, showing that FaRL supplies semantic initialization while DINOv3 supplies dense spatial correspondence. The strongest correspondence appears at an intermediate layer: block 18 gives a 4.93x same-region versus cross-region discrimination ratio, compared with 1.48x at the final block. Against CLIP ViT-L/14, DINOv3 shows only a small aggregate advantage but a +16.8 pp gain on anatomical regions, indicating that image-level contrastive supervision captures coarse facial layout but not fine-grained anatomical identity. These results establish frozen DINOv3 as a strong zero-shot representation for region-level facial correspondence and identify intermediate self-supervised features as the most useful layer for dense face analysis.
يتم تحليل الوجه إلى ملامح بأكبر دقة في الطبقة 18 من أصل 24 - كما لو أن المنشور يعطي ألمع قوس قزح ليس من الشعاع الأول، بل من داخل الزجاج.
التعرف الخيالي من فيلم 'تقرير الأقلية' يصبح حقيقة دون قواعد بيانات ضخمة: شبكة عصبية، مثل مطياف غير مرئي، تفكّك الوجه إلى أجزاء في لحظة.