Der Rauschreduzierende Vision Transformer (Denoising Vision Transformers, DVT) ist ein neuartiges Rauschmodell für Vision Transformer (ViTs). Durch die Zerlegung des ViT-Ausgabes und die Einführung eines lernfähigen Rauschreduzierers kann DVT rauscharme Merkmale extrahieren und so die Leistung von Transformer-basierten Modellen in Offline-Anwendungen und Online-Funktionen deutlich verbessern. DVT erfordert kein erneutes Training bestehender, vortrainierter ViTs und kann sofort auf jede Transformer-basierte Architektur angewendet werden. Durch umfassende Evaluierungen auf mehreren Datensätzen konnten wir feststellen, dass DVT bei semantischen und geometrischen Aufgaben eine durchgehend signifikante Verbesserung der bestehenden State-of-the-Art-Universalmodelle erzielt (z. B. +3,84 mIoU). Wir hoffen, dass unsere Forschung eine Neubewertung des ViT-Designs, insbesondere hinsichtlich der naiven Verwendung von Positions-Einbettungen, anregen wird.