Vision Transformer 如何涌现出物体分割？新研究借格式塔心理学解答

新研究发现 Vision Transformer（ViT）会自发学会把图像 patch 绑定成完整物体，形成涌现式分割，但其机制此前一直不明。研究从格式塔心理学理解人类知觉的思路出发，系统分析 ViT 如何将 patch 组合成物体。该工作为理解 ViT 内部表征提供了新视角。