视觉 Transformer 如何涌现出物体分割？新研究借格式塔心理学解答

新研究发现，Vision Transformer 会自发将图像 patch「绑定」为完整物体，呈现出涌现式分割能力。研究团队借鉴格式塔心理学对人类知觉的解释，系统研究 ViT 如何组合图像 patch，并为理解其内部表征提供新视角。