lingbot-vision

LingBot-Vision 是一个面向密集空间感知的自监督视觉预训练模型家族，基于 Vision Transformer 架构，核心采用边界中心化的掩码建模（masked boundary modeling）目标，使模型在学习语义表征的同时显式建模物体边界、几何结构与空间关系。支持从 ViT-S/16 到 1.1B 参数 ViT-g/16 多种规模，可作为即插即用的视觉编码器，适用于深度估计、语义分割、视频目标分割、深度补全等需像素级空间理解的下游任务。项目开源、轻量适配，已在 RGB-D 等多模态密集预测任务中验证有效性。