图 1: 通过迁移从RaFD数据集学到的知识，在CelebA数据集上实现的多领域图像到图像转换结果。第一列和第六列为输入图像，其余列是由StarGAN生成的图像。请注意，这些图像均由单一生成器网络生成，且愤怒、快乐、恐惧等面部表情标签来自RaFD数据集而非CelebA。

学术论文的读者通常以回答特定问题为目标进行阅读。能够解答这些问题的问答系统可以大幅提升内容消化效率。然而构建此类工具需要能反映任务难度的数据，这种难度源于对论文多个部分主张的复杂推理。相比之下，现有信息检索型问答数据集通常只包含关于通用事实型信息的问题。为此我们推出QASPER数据集，包含针对1,585篇自然语言处理论文提出的5,049个问题。

摘要—本文提出了一种新颖的视觉位置识别(VPR)联合训练方法，该方法同时学习全局描述符和用于重排序的图像对分类器。该分类器可预测给定图像对是否来自同一地点。网络仅由Vision Transformer组件构成，包括编码器和图像对分类器，两者均使用各自的类别token进行训练。现有VPR方法通常使用通用图像数据集(如ImageNet)的预训练权重初始化网络。本文提出了一种替代预训练策略，采用孪生掩码图像建模(Siamese Masked Image Modeling)作为预训练任务。我们提出从大型VPR数据集中进行位置感知图像采样的方法，以预训练专门针对VPR任务优化的视觉特征模型。通过在第二阶段训练中复用掩码图像建模的编码器和解码器权重，Pair-VPR在五个基准测试中实现了最先进的VPR性能。

面部关键点检测是计算机视觉中许多下游应用的基础问题。本文提出了一种基于视觉Transformer (Vision Transformer) 的新型面部关键点检测器，其包含两项独特设计：双视觉Transformer (D-ViT) 和长跳跃连接 (LSC)。基于特征图通道维度本质上是热图空间线性基的观察，我们提出通过学习这些线性基之间的互连关系，通过通道分割ViT来建模关键点间固有的几何关系。我们将这种通道分割ViT与标准视觉Transformer（即空间分割ViT）结合，形成双视觉Transformer以构建预测模块。同时建议采用长跳跃连接将底层图像特征传递至所有预测模块，从而避免有用信息被中间监督丢弃。我们在WFLW [45]、COFW [3] 和300W [34] 等广泛使用的基准数据集上进行了大量实验，结果表明我们的模型在所有三个基准测试中均优于之前的SOTA方法。