今天为大家介绍一篇CVPR2025论文《DFormerv2: Geometry Self-Attention for RGBD Semantic Segmentation》。这篇论文聚焦在RGB-D图像语义分割任务中，如何更高效地利用深度信息。传统方法通常采用双分支网络分别处理RGB和Depth，再进行特征融合，计算量大且效率低。而DFormerv2提出了一个全新视角 —— 把深度图当作几何先验（geometry prior），直接引导注意力分配，而不是再用深度图去提特征。核心技术是 Geometry Self-Attention（GSA），它结合了深度距离和空间距离生成几何先验，然后通过一个衰减函数整合到注意力机制中，使模型更关注几何上相关的区域。同时，作者还设计了轴向分解（decomposed attention），沿横向和纵向分别计算注意力，极大地降低了计算量。最终，构建了轻量级但性能强劲的RGBD骨干网络 DFormerv2，在NYU Depth V2 和 SUNRGBD 等多个语义分割数据集上都达到了 SOTA 性能，甚至在保持更少参数和更低计算成本的同时，超过了 GeminiFusion、CMX 等方法。总结来说，这是一次将几何信息显式引入Transformer注意力机制的成功尝试，为RGBD语义分割任务提供了一种高效、结构感知的解决方案。
