通俗解释
学生网络和教师网络看同一张图的不同裁剪，学生要预测教师的输出，教师是学生参数的滑动平均。DINOv2 在精心筛选的 1.42 亿张图片上训练，得到的特征不用微调就能直接做分类、分割、深度估计和检索，是常用的“冻结视觉骨干”。
用在哪里：Depth Anything 等模型的视觉编码器；图像检索与分割的冻结骨干
01原始论文
DINOv2: Learning Robust Visual Features without Supervision
Maxime Oquab, Timothée Darcet, Théo Moutakanni, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
相关：掩码自编码器 MAECLIP 图文对比学习联合嵌入预测架构 JEPA
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
dinov2)