近年来，自监督学习在计算机视觉领域取得了巨大进展，推动了无需人工标注即可学习强大视觉表示的视觉基础模型（Vision Foundation Models）的发展。其中，DINOv2 和 CLIP 是两个极具影响力的代表性工作，而最新的 DINOv3 则标志着该方向的又一次重大突破。

本文将简要介绍这三项工作的背景与核心思想，提供论文与代码资源，并通过一个直观的特征可视化实验，对比它们在真实场景下的表现差异。

一、背景介绍：DINOv2、DINOv3 与 CLIP

1. CLIP（Contrastive Language–Image Pre-training）

论文链接：https://arxiv.org/abs/2103.00020
官方主页/代码：https://github.com/openai/CLIP

CLIP 由 OpenAI 提出，是多模态自监督学习的里程碑。它通过在互联网规模的图像-文本对上进行对比学习，使模型能够理解图像内容与自然语言之间的对应关系。其核心思想是：将图像和文本映射到同一语义空间，使得匹配的图文对距离更近，不匹配的更远。

优点：

支持零样本分类（Zero-shot Classification），无需微调即可迁移到新任务。
泛化能力强，在多种下游任务中表现优异。

局限：

依赖大量带噪声的图文对数据。
图像特征偏向全局语义，缺乏细粒度的密集特征（dense features），难以用于分割、检测等需要像素级理解的任务。

2. DINOv2（Self-supervised Vision Transformers with no labels）

论文链接：https://arxiv.org/abs/2304.07193
官方代码：https://github.com/facebookresearch/dinov2

DINOv2 是 Meta 提出的纯自监督视觉模型，不依赖任何标签或文本信息。它基于 Vision Transformer 架构，采用自蒸馏（self-distillation）策略训练：用学生网络预测教师网络的输出，教师网络权重由学生滑动平均得到。

DINOv2 的关键贡献在于：

学习高质量的密集特征表示，适用于语义分割、深度估计等密集预测任务。
在多种下游任务中超越有监督预训练模型，且无需微调。

局限：

虽然特征质量高，但在极长训练周期下可能出现特征退化问题。
对分辨率变化和模型缩放的灵活性仍有提升空间。

3. DINOv3（Scaling Self-Supervised Vision Transformers to 1B Images）

论文链接：https://arxiv.org/abs/2508.10104
官方代码：https://github.com/facebookresearch/dinov3

DINOv3 是 DINO 系列的最新演进，旨在实现“通用视觉基础模型”的愿景。它通过三大创新进一步提升了自监督学习的上限：

大规模扩展（Scaling）：精心准备的数据集和优化策略，支持在超过10亿图像上训练更大模型。
Gram Anchoring：提出的新方法，有效缓解了长期训练中密集特征图退化的问题，显著提升特征稳定性。
后处理增强灵活性：引入分辨率自适应、模型缩放和文本对齐策略，使模型更具部署灵活性。

核心成果：

无需微调，在各类视觉任务上全面超越此前的自监督、弱监督乃至部分监督模型。
提供 DINOv3 模型套件，覆盖不同尺寸与计算需求，适配多样化的应用场景。
密集特征质量达到新高度，尤其在细粒度结构感知方面表现突出。

二、核心要点总结

特性	CLIP	DINOv2	DINOv3
训练方式	图文对比学习	自蒸馏（无标签）	自蒸馏 + Gram Anchoring
是否需要文本	是	否	可选（支持后对齐）
特征类型	全局特征为主	高质量密集特征	更稳定、高质量密集特征
零样本能力	强（天然支持）	弱（需额外对齐）	支持后对齐，灵活性高
下游任务适用性	分类、检索	分割、检测、深度估计等	全面覆盖，无需微调
模型扩展性	中等	较好	极佳（支持大模型/大数据）
特征退化问题	不显著	存在（长期训练）	通过 Gram Anchoring 解决