学习从噪声到数据分布的连续演化过程Diffusion 通过学习一个连续的去噪过程，将随机噪声逐步转化为符合数据分布的图像，并通过条件在每一步调控生成方向，实现稳定且可控的生成能力。

并行：CNN 分支 + Transformer 分支 → Reshape → Channel 对齐 → Add / Concat / Attention 融合。核心技术集中在：特征提取（Conv + Transformer）、特征融合、多尺度处理、训练策略与数据增强。串联：CNN → Flatten → Transformer → Reshape → 融合。：Transformer-based 单

我根据你今天的提问路径，把学习内容整理成一份 结构化学习过程文档，基本可以当作你的 视觉模型学习笔记（Day X）。今天的学习目标是理解以下三个问题：Detection DINO 与 DINOv2 的区别Grounding DINO 如何实现 open-vocabulary detectionVision-Language-Action (VLA) 与视觉语言模型之间的关系重点理解 视觉语义、语言

Hypernetwork → 动态生成 mask 分类器Sigmoid → 多 mask 独立像素预测SAMv3 → Cross-modal attention（文本 + 图像）SAM3D → 3D/时空 attention + voxel mask。

Hypernetwork → 动态生成 mask 分类器Sigmoid → 多 mask 独立像素预测SAMv3 → Cross-modal attention（文本 + 图像）SAM3D → 3D/时空 attention + voxel mask。

今天核心理解了Transformer Detection 的关键思想。

我给你整理成一份，这样以后复习会很清晰。今天其实已经涉及到了一整条知识链。

规则：用维度等于类别总数的二进制向量表示离散类别。仅对应索引位置为1（激活），其余全为0（抑制）。示例：3 个类别（红、黄、蓝） $\to$ 3 维向量。红=[1,0,0], 黄=[0,1,0], 蓝=[0,0,1]。权重共享要分清“目标侧绑定”（通用）和“跨语言共享”（仅限同源语言）。One-Hot是理解 Embedding 查找机制的基石。Dropout的核心是倒置实现和打破共适应。代码层面明

本学习过程以问答形式展开，从“中文翻译成英文是否通过二进制转换”这一朴素问题出发，逐步深入到神经网络机器翻译（NMT）、Embedding、Transformer 架构（Add & Norm、Linear 层、多头注意力、前馈网络）、训练技巧（Teacher Forcing、Mask）以及 RNN 与 Transformer 的对比。通过本次对话式学习，不仅掌握了 Transformer 的理论基

A 局部最优梯度=0，Loss 较高动量、随机初始化、更深网络 B 梯度消失梯度≈0，Loss 高（平台区）ReLU、残差连接、批归一化 C 鞍点某些方向梯度为 0 动量、Adam 优化器 D 全局最优梯度=0，Loss。Adam+正确正则泛化好，收敛快计算略多大模型，Transformer，推荐默认。动量+自适应快速收敛，易用泛化略差默认首选，NLP，快速实验。：降采样操作，减少特征图尺寸，增强