분류와 조밀 예측
영상 분류는 한 장에 범주를 부여하지만 깊이 추정이나 의미 분할은 위치별 결과가 필요하다. DPT는 트랜스포머 표현을 이런 공간 출력에 연결한다. 특징 토큰 하나를 그대로 최종 화소 값으로 해석하는 것은 아니다.
토큰의 재구성과 결합
여러 단계의 토큰을 서로 다른 해상도의 영상형 표현으로 조립하고 합성곱 디코더에서 점진적으로 결합한다. 전역 문맥을 처리하는 인코더와 공간적으로 세밀한 출력을 만드는 디코더는 다른 역할을 한다. 트랜스포머만으로 모든 출력 단계를 처리하는 구성이라고 볼 수는 없다.
위치 수의 독립 예제
높이와 너비가 각각 16인 특징 배열은 위치가 256개다. 최종 영상이 256×256이라면 출력 위치는 65,536개다. 해상도를 높이는 과정이 필요하다는 설명용 계산이며 업샘플링만으로 처음에 없던 관측 정보가 새로 생기지는 않는다.
구조와 학습의 구분
같은 조밀 예측 구조도 학습 자료와 출력 손실에 따라 깊이 모델이나 분할 모델이 된다. DPT라는 이름만으로 출력이 실제 미터 단위 깊이인지 결정되지는 않는다. 영상 경계의 세부와 큰 영역의 일관성을 함께 평가하고 해상도별 비용도 확인한다.