ImageNet分数越高，天生反而越糊？iREPA给出诠释

新智元报道

编辑：倾倾

【新智元导读】学霸的假话被揭穿！一篇来自Adobe Research的论文发明，高语义明确并不会提升天生质量，反而可能破损空间结构。用iREPA简朴修改，削弱全局滋扰，天生质量连忙飙升。

我们经常会疑惑：为什么视觉模子越高级，天生效果反而越差？

最近，Adobe Research发了一篇论文，专门诠释了这个看起来有点变态、但重复泛起的征象。

论文地点：https://arxiv.org/pdf/2512.10794

按直觉，模子要先知道「这是什么」，才华把它画出来。

ImageNet上的分类准确率越高，说明模子的语义明确越强，天生的内容越稳固、越靠谱。

但这篇论文给出的效果，完全相反：

一些在识别使命中体现平平、甚至看起来「很不智慧」的视觉编码器，反而能天生出结构更清晰、质量更高的图像。

全局语义能力越强，天生反而越容易出问题。

很可能我们从一最先，就误会了天生模子真正善于的是什么。

为什么视觉模子越「智慧」，天生的反而越差？

先看一个已经被重复验证的事实：一个模子在ImageNet上的线性探测准确率越高，并不料味着它更适适用来做天生。

最直观的例子是SAM2。这是一个在识别使命里不出彩的模子，验证准确率只有24.1%，远低于主流视觉大模子。

但当这些编码器被用于REPA时，SAM2的天生质量反而优于一批准确率横跨约60%的模子。

SAM2的ImageNet验证准确率仅为24.1%，但在REPA框架下的天生gFID显着优于多种准确率凌驾70%的视觉编码器。

这还不是某一个模子的无意体现。

论文进一步较量了统一编码器家族中差别规模的模子，效果发明：模子越大、分类准确率越高，天生质量反而可能相似或更差。

随着模子规模和分类准确率提升，天生gFID反而整体变差，批注这一征象并非由个体模子导致。

显然，「高语义能力=好天生」这条默认路径，在大宗实验中并不建设。

更要害的是，这种征象并不是噪声。

在跨模子、跨设置的系统性剖析中，全局语义指标与天生质量之间的相关性始终很是弱。

分类能力与天生质量险些无关，空间结构却高度相关。左：线性探测准确率与天生 gFID 的相关性极弱（Pearson r=-0.26）。中：空间结构指标（LDS）与天生质量泛起出显著强相关（Pearson r=-0.85）。右：基于空间结构刷新的iREPA，在多种编码器上稳固优于REPA。

论文进一步对多种视觉编码器做了相关性剖析，效果很是明确：

线性探测准确率与天生质量之间险些不保存相关性。

相比之下，反应patch空间结构的指标，与天生质量泛起出极强的正相关关系。

若是不是「明确多」，那天生模子究竟依赖的是什么？

重复确认会压扁空间结构

在明确了「高语义≠好天生」之后，真正的问题酿成了：

为什么模子越是重复确认，天生反而越容易出问题？

要害就是，全局语义会在天生历程中压扁空间结构。

在天生使命中，模子并不是一次性输出图像，而是在训练和采样历程中，一直对局部patch之间的关系做判断。

论文将这种能力归纳综合为「空间结构」：即相邻patch之间应坚持更高相似性，而远处patch不应被全局语义过早拉近。

但当模子太过追谴责局语义一致性，好比通过CLS token ，或对所有patch做全局平均来强化「这是什么」，这些局部差别就会被系统性地削弱。

这种做法会导致一个直接效果：远景物体的patch，与本应无关的配景patch之间，泛起异常高的相似性。

空间比照度下降，界线变得模糊，天生效果因此糊成一片。

PE-G和WebSSL-1B在ImageNet上具有更高的分类准确率，但它们的空间自相似性显示，远景与配景被太过拉近，界线模糊。相比之下，空间结构更清晰的SpatialPE-B，天生质量显著更好。

研究员向模子中逐步加入全局语义信息，视察分类能力和天生质量的转变。

效果如下图所示：

增强全局语义信息会损害天生质量

随着全局信息权重α从0增添到0.5，模子的线性探测准确率一连上升。

但天生质量却显著下降，FID显着恶化。

也就是说，「更懂这是什么」确着实爆发；但与此同时，模子也失去天生所依赖的空间结构。

这并不是优化不充分的副作用，而是由于全局语义在天生阶段饰演了一个「过强约束」的角色。

它让模子更快告竣结论，却也更早放弃了对局部结构的细腻描绘。

既然语义会滋扰天生，iREPA选择退后一步

若是说前面的实验回覆了「问题出在哪」，那 iREPA 回覆的就是另一个问题：

既然全局语义会滋扰天生，那该怎么对齐体现，才不会把结构压扁？

iREPA给出了谜底。它对原本的REPA训练流程做了两处很是简朴的修改，总共不到四行代码。

第一处，是投影方法的改变。

在标准REPA中，patch表征通常会经由MLP投影层举行对齐。

但论文指出，MLP在这一历程中容易混淆差别位置的信息，无意中削弱了空间比照度。

因此，iREPA用一个3×3的卷积层（padding=1）替换了MLP投影。

卷积的归纳偏置能保存局部邻域关系：相邻patch的相互影响被保存，远处区域则不会被过早混在一起。

第二处修改，直接针对全局语义。

iREPA在对齐历程中引入了一个空间归一化层，移除了patch特征中的全局均值分量，让模子专注于局部之间的差别与界线。

iREPA怎样通过两处修改，恢复天生所需的空间结构。 (a) 使用卷积投影替换MLP，可更好地保存局部空间关系。 (b) 空间归一化层通过移除全局分量，提高patch之间的空间比照度。 (c) 经由这两步修改后，iREPA天生的diffusion特征泛起出更清晰的空间结构。

正是这两点改动，让iREPA在机制上与前一节的问题形成了严酷对应：

全局语义太强会抹平结构，那就在对齐阶段削弱全局分量、强化空间关系。

效果也在意料之中。

无论是在ImageNet规模的天生使命，照旧更高区分率的设置，亦或是文本到图像的多模态天生使命中，iREPA都体现出更快的收敛速率和更好的最终天生质量。

更主要的是，这种提升并不依赖于某一个特定编码器。

在差别模子规模、差别视觉主干网络、差别训练设置下，iREPA都能稳固刷新。

这不但是一个技巧，而是顺着天生使命自己对结构的需求，把体现对齐这件事做得更榨取、更细腻。

许多时间，我们讨论天生模子时，会下意识沿用一个标准。

但这篇论文提醒了我们，天生并不是明确的自然下游。

对天生来说，最主要的并不是「这是什么」，而是「哪些地方该靠近，哪些地方该脱离」。

当我们一味强化全局语义，重复鞭策模子给出谜底，着实是在替它提前下结论。

iREPA并没有试图让模子变得更智慧。它做的更像是退后一步，把空间还给空间，把结构还给结构。

效果不是明确能力的奔腾，而是天生质量的回归。

参考资料：

https://x.com/1jaskiratsingh/status/2000701128431034736?s=20

https://end2end-diffusion.github.io/irepa/

秒追ASI

?点赞、转发、在看一键三连?

点亮星标，锁定新智元极速推送！

《国产91精品一区二区豆麻》，《Q8X2R7L1T4J5M9B6W3》

91免费在线视屏

“www.高潮.com”

欧美成aⅴ人高清色屋

……

12月29日

“亚洲AA日韩AA欧美DDD”李飞开宾利

↓↓↓

烟火人家，是岳丽娜唐诡会拍100部

12月29日，香港影视娱乐博览2024启动黎明续任“影视娱乐大使”，www.sxpxks.com，99在线热，羞羞视频免费网站在线看，福利片

12月29日，关于马拉松那些事：跑马能“冻龄”？心率高能跑吗？，快手八酱的爆料网站免费，在线看第一区美女黄片，网易cc顶级享受微博人生如戏，美女被C

12月29日，天津自研电力设备机器人投入测试可代替人巡视危险电力场景，喝圣水黄金拉屎视频，在线看片91精品国产，小和进入，青草青免费视频永久观看

12月29日，从水体污染严重到生态旅游区！长江禁捕三年，这里发生大变化→，亚洲中文字幕专区，欧美性日，欧美久久激情一级，欧美肥婆❌❌一❌

12月29日，学习新语｜领悟“六个坚持”：以人民为中心，日韩一线无码AV毛片免费，国产欧美一区，日本卡黄色网站特级视频，特级婬片日本高清免费

12月29日，国产新型高寒耐风沙内燃机车首次投入使用，久久影院黄色视频播放，国产三级片黄色视频，亚洲视频综合，禁止18岁入内黄色网站

12月29日，习近平向2024世界传统医药大会致贺信，夜夜爱天天，综合欧美激情二区三区，国内外一级A片，XXXXXX泡妞老师

12月29日，广州高温闷热天气持续，一级爰a夫妻，美女日皮视频在线观看，禁止18以下免费观看在线视频，欧美精品人人做人人爱视频

监制：邓金木

策划：赖晗

主创：唐征宇林箴贺陈佛烘颜亦阳陈林韵

编辑：王家菁、段圣祺

k1体育麻将胡了

下载APP

所有

ImageNet分数越高，天生反而越糊？iREPA给出诠释

热门视频

k1体育麻将胡了

下载APP

所有

ImageNet分数越高，天生反而越糊？iREPA给出诠释

热门视频

ImageNet分数越高，天生反而越糊？iREPA给出诠释