Meta AI 的研究团队近日发布了一项名为 Pixio 的图像模型研究，证明了即使采用更简单的训练路径，也能在深度估计和3D 重建等复杂视觉任务中展现出卓越的性能。长期以来，学术界普遍认为掩码自编码器（MAE）技术在场景理解上逊色于 DINOv2或 DINOv3等复杂算法，但 Pixio 的出现打破了这一固有认知。
Pixio 的核心逻辑源于对2021年 MAE 框架的深度改良。研究人员发现，原始设计中较弱的解码器限制了编码器的表现，因此他们显著增强了解码器的功能，并扩大了图像遮罩区域。通过将细小的遮罩方块改为大面积连续区域，Pixio 被迫放弃简单的像素复制，转而必须真正“理解”图像中的物体共现、3D 透视以及反射等空间关系。此外，通过引入多个用于聚合全局属性的类别标记，该模型能更精准地捕捉场景类型、相机角度及光照信息。
在训练策略上，Pixio 展现出极高的纯粹性。不同于 DINOv3针对特定基准测试（如 ImageNet）进行重复优化，Pixio 从网络收集了20亿张图像，并采用动态频率调整:减少简单产品照的权重，增加复杂场景的训练频次。这种不针对测试集“刷分”的做法，反而赋予了模型更强的迁移能力。
数据对比显示，仅拥有6.31亿参数的 Pixio 在多项指标上超越了8.41亿参数的 DINOv3。在单目深度估计中，其准确率提升了16%;在3D 重建任务中，仅凭单张图像训练的 Pixio 甚至优于使用八视角训练的 DINOv3。同时，在机器人学习领域，Pixio 也以78.4% 的成功率领先于 DINOv2。尽管研究团队承认人工掩蔽存在局限性，并计划向视频预测方向探索，但 Pixio 目前取得的突破已足以证明:回归像素重建的本质，往往能通向更深层的视觉理解。
