在電腦視覺與自我監督學習（Self-Supervised Learning, SSL）的演進歷程中，Vision Transformer（ViT）憑藉 DINO 等對比學習框架，成功證明了神經網路無須人工標註即能習得豐富的語意概念。然而，當社群嘗試將這類模型直接下放到零樣本分割、精確目標定位等密集預測（Dense Prediction）任務時，卻常遭遇一個核心障礙：ViT 內部多頭注意力機制的表徵過於發散且同質化，缺乏清楚的局部邊界界定能力。
ReFoCo 以極簡的無監督損失函數，促成空間注意力頭的「專業化湧現」（Specialization Emergence）：
兩組視覺聚焦損失（Visual Focusing Losses）：
局部區域聚焦機制：約束特定注意力頭聚焦於緊湊的局部空間，強迫模型學習清晰的幾何線條與輪廓細節。
遮蔽殘留聚焦機制：在影像部分被遮蔽時，引導模型專注於未被遮蔽的有效可見區域，強化空間對齊穩定度與上下文感知。
零人工標籤的空間分工：在不消耗任何幾何標籤的前提下，各注意力頭自發演化出清晰分工——部分專門鎖定前景輪廓，部分專攻背景基質，部分捕捉細節紋理。
ReFoCo 將論文的數學定義封裝為模組化程式碼與預訓練權重，使開發者無須從零復現演算法，即可直接掛載至現有的視覺特徵提取流程。