Fei-Fei Lee 团队提出可扩散表征学习新目标:图像表征收敛到逐点互信息
kastnerkyle · x · 2026-10-20
Alan Baade(合作者含李飞飞、John Wetzstein、Justin Johnson、Vince Sitzmann 等)提出一种全新的表征学习目标,原理清晰、可扩展,在 DINO/LeJEPA 会坍缩的场景下依然有效。理论结果表明图像表征收敛到这样的特征:它与另一图像表征的点积等于两者的逐点互信息(pointwise mutual information)。
团队还得到了 tokenizer 与扩散的联合 scaling law,且相对纯扩散训练是计算最优的——tokenizer 成为新的 scaling 轴。论文与博客已放出。
所属事件:MIT 与斯坦福团队提出可解释表征学习新范式(8 条相关)→
「多模态」频道最新
- 土耳其 AI 电影节放映 65 部 AI 辅助电影，独立导演受益 — lmoroney · 2026-10-20
- Sunra 发布 MCP 聚合服务，Claude/ChatGPT 内直接调用主流音视频模型 — EXM7777 · 2026-10-20
- DLSSNR 微调全流程开源：16GB 显存即可训练，LoRA 仅需 8GB — bdsqlsz · 2026-10-20
- 用 Opus 5.5 加 Hedra MCP 一键生成虚拟偶像完整 MV — AIandDesign · 2026-10-20
- Opus 5.5 一次成型 K-Pop 虚拟偶像 MV：分镜、生图、剪辑全包办 — RebeccaBellan · 2026-10-20
- 斯坦福 LILIE:语言监督的无损图像编码器，T2I 的 gFD 提升 14 点 — jcniebles · 2026-10-20