复合子空间流匹配用于表征学习

论文提出 CSFM，兼顾判别表征与生成可逆性。

资讯摘要

论文提出复合子空间流匹配（CSFM），将表征学习建模为对光谱、颜色与光照子空间确定性退化课程做方差最小化反演，并用硬时间风格截断约束轨迹方差，促使容量受限编码器忽略瞬态风格、编码持久内容。作者在 CIFAR-10、CIFAR-100 和 STL-10 上报告，CSFM 在卷积与视觉 Transformer 架构下兼顾判别迁移与生成合成，线性探测和少样本分类优于标准最优传输流。

要点速读

1. CSFM 以光谱、颜色、光照子空间的确定性退化课程替代各向同性噪声加噪，并做方差最小化反演。
2. 方法用硬时间风格截断限制轨迹方差，使容量受限编码器忽略瞬态风格伪影。
3. 作者报告在 CIFAR-10、CIFAR-100、STL-10 上判别迁移具竞争力，并保留生成合成能力。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。