RINO：把视觉任务统一成RGB编辑
Timing Yang · hf · 2026-07-15
这项工作提出 **RINO**：把多种视觉信息统一表示为 RGB 图像，并把视觉任务统一改写成 **RGB-to-RGB** 的图像编辑问题。 ### 核心思路 - 自然图像、mask、depth map 等不同视觉信号，内部都用同一种 RGB 编码/解码架构处理 - 让不同任务共享同一套参数，而不是为每类任务单独设计头部或模型 - 这种方式类比语言模型处理文本：通过统一接口覆盖多种任务 ### 结果 - 基于一个通用图像编辑 backbone，**不做任务特定微调** - 在 **分割、深度估计** 等 dense understanding 任务上有稳健的 zero-shot 表现 - 在 **姿态到图像生成** 等 dense-conditioned generation 任务上也表现有竞争力 作者希望这能为统一的视觉-语言系统提供思路，让不同视觉任务都能用共享的“视觉语言”来表达和解决。代码已开源。