iREPA解释ImageNet高分为何降低生成图像清晰度
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
新智元报道
编辑：倾倾
【新智元导读】学霸的谎言被揭穿！一篇来自Adobe Research的论文发现，高语义理解并不会提升生成质量，反而可能破坏空间结构。用iREPA简单修改，削弱全局干扰，生成质量立即飙升 。
我们经常会疑惑：为什么视觉模型越高级，生成效果反而越差？
最近，Adobe Research发了一篇论文，专门解释了这个看起来有点反常、但反复出现的现象。
论文地址：https://arxiv.org/pdf/2512.10794
按直觉，模型要先知道「这是什么」，才能把它画出来。
ImageNet上的分类准确率越高，说明模型的语义理解越强，生成的内容越稳定、越靠谱。
但这篇论文给出的结果，完全相反：
一些在识别任务中表现平平、甚至看起来「很不聪明」的视觉编码器，反而能生成出结构更清晰、质量更高的图像。
全局语义能力越强，生成反而越容易出问题。
很可能我们从一开始，就误会了生成模型真正擅长的是什么。
为什么视觉模型越「聪明」，生成的反而越差？
先看一个已经被反复验证的事实：一个模型在ImageNet上的线性探测准确率越高，并不意味着它更适合用来做生成。
最直观的例子是SAM2。这是一个在识别任务里不出彩的模型，验证准确率只有24.1%，远低于主流视觉大模型。
但当这些编码器被用于REPA时，SAM2的生成质量反而优于一批准确率高出约60%的模型。
SAM2的ImageNet验证准确率仅为24.1%，但在REPA框架下的生成gFID明显优于多种准确率超过70%的视觉编码器。
这还不是某一个模型的偶然表现。
论文进一步比较了同一编码器家族中不同规模的模型，结果发现：模型越大、分类准确率越高，生成质量反而可能相似或更差。
随着模型规模和分类准确率提升，生成gFID反而整体变差，表明这一现象并非由个别模型导致。
显然，「高语义能力=好生成」这条默认路径，在大量实验中并不成立 。
更关键的是，这种现象并不是噪声。
在跨模型、跨设置的系统性分析中，全局语义指标与生成质量之间的相关性始终非常弱。
分类能力与生成质量几乎无关，空间结构却高度相关。左：线性探测准确率与生成 gFID 的相关性极弱（Pearson r=-0.26）。中：空间结构指标（LDS）与生成质量呈现出显著强相关（Pearson r=-0.85）。右：基于空间结构改进的iREPA，在多种编码器上稳定优于REPA。
论文进一步对多种视觉编码器做了相关性分析，结果非常明确：
线性探测准确率与生成质量之间几乎不存在相关性。
相比之下，反映patch空间结构的指标，与生成质量呈现出极强的正相关关系。
如果不是「懂得多」，那生成模型到底依赖的是什么？
反复确认会压扁空间结构
在理解了「高语义≠好生成」之后，真正的问题变成了：
为什么模型越是反复确认，生成反而越容易出问题？
关键就是，全局语义会在生成过程中压扁空间结构。
在生成任务中，模型并不是一次性输出图像，而是在训练和采样过程中，不断对局部patch之间的关系做判断。
论文将这种能力概括为「空间结构」：即相邻patch之间应保持更高相似性，而远处patch不应被全局语义过早拉近。
但当模型过度追求全局语义一致性，比如通过CLS token ，或对所有patch做全局平均来强化「这是什么」，这些局部差异就会被系统性地削弱。
这种做法会导致一个直接后果：前景物体的patch，与本应无关的背景patch之间，出现异常高的相似性。
空间对比度下降，边界变得模糊，生成结果因此糊成一片。
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，前景与背景被过度拉近，边界模糊。相比之下，空间结构更清晰的SpatialPE-B，生成质量显著更好。
研究员向模型中逐步加入全局语义信息，观察分类能力和生成质量的变化。
结果如下图所示：
增强全局语义信息会损害生成质量
随着全局信息权重α从0增加到0.5，模型的线性探测准确率持续上升。
但生成质量却显著下降，FID明显恶化。
也就是说，「更懂这是什么」确实在发生；但与此同时，模型也失去生成所依赖的空间结构。
这并不是优化不充分的副作用，而是因为全局语义在生成阶段扮演了一个「过强约束」的角色。
它让模型更快达成结论，却也更早放弃了对局部结构的精细刻画。
既然语义会干扰生成，iREPA选择退后一步
如果说前面的实验回答了「问题出在哪」，那 iREPA 回答的就是另一个问题：
既然全局语义会干扰生成，那该怎么对齐表示，才不会把结构压扁？
iREPA给出了答案。它对原本的REPA训练流程做了两处非常简单的修改，总共不到四行代码 。
第一处，是投影方式的改变。
在标准REPA中，patch表征通常会经过MLP投影层进行对齐。
但论文指出，MLP在这一过程中容易混合不同位置的信息，无意中削弱了空间对比度 。
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留局部邻域关系：相邻patch的相互影响被保留，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在对齐过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 ，让模型专注于局部之间的差异与边界。
iREPA如何通过两处修改，恢复生成所需的空间结构。 (a) 使用卷积投影替代MLP，可更好地保留局部空间关系。 (b) 空间归一化层通过移除全局分量，提高patch之间的空间对比度。 (c) 经过这两步修改后，iREPA生成的diffusion特征呈现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格对应：
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 。
结果也在意料之中。
无论是在ImageNet规模的生成任务，还是更高分辨率的设置，亦或是文本到图像的多模态生成任务中，iREPA都表现出更快的收敛速度和更好的最终生成质量。
更重要的是，这种提升并不依赖于某一个特定编码器。
在不同模型规模、不同视觉骨干网络、不同训练设置下，iREPA都能稳定改进。
这不仅是一个技巧，而是顺着生成任务本身对结构的需求，把表示对齐这件事做得更克制、更精细。
很多时候，我们讨论生成模型时，会下意识沿用一个标准。
但这篇论文提醒了我们，生成并不是理解的自然下游。
对生成来说，最重要的并不是「这是什么」，而是「哪些地方该靠近，哪些地方该分开」。
当我们一味强化全局语义，反复催促模型给出答案，其实是在替它提前下结论。
iREPA并没有试图让模型变得更聪明。它做的更像是退后一步，把空间还给空间，把结构还给结构。
结果不是理解能力的飞跃，而是生成质量的回归。
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！
相关攻略
这项由中国科学技术大学脑认知智能感知教育部重点实验室与华为技术有限公司、天津大学智能与计算学院联合完成的研究发表于2026年的国际学习表征会议(ICLR)。有兴趣深入了解的读者可以通过论文编号arX
这项由韩国大学的李台雨、宋旼珠、尹赞雄、朴政宇以及姜在宇等研究者共同完成的研究发表于2025年11月的人工智能顶级会议AAAI 2026，研究编号为arXiv:2511 20344v1。对这一前沿研
这项由威斯康星大学麦迪逊分校的Thao Nguyen和加州大学洛杉矶分校的Sicheng Mo等研究者与Adobe研究院合作完成的研究，发表于2025年12月8日的计算机视觉与模式识别领域。研究编号
新智元报道编辑：倾倾【新智元导读】学霸的谎言被揭穿！一篇来自Adobe Research的论文发现，高语义理解并不会提升生成质量，反而可能破坏空间结构。用iREPA简单修改，削弱全局干扰，生成质量立
这项由浙江大学的杨神智、朱光成等研究者与蚂蚁集团的郑星等人合作完成的研究发表于2025年12月，论文编号为arXiv:2512 13106v1。研究团队提出了一种名为TRAPO的创新训练框架，能够让
热门专题
热门推荐
如果你最近关注过手机市场，应该知道一件事：内存涨价了，而且涨得挺狠，相比之前，同配置的内存成本已经涨了近1000块。这对中低端机型的冲击最明显，本来利润就薄，成本一涨，要么涨价，要么砍配置，对于想换
鼠标指针在PPT演示中消失通常因“指针选项”设为隐藏，可通过右键菜单选“可见”、按Ctrl+A快捷键、取消“自动隐藏鼠标指针”设置、Alt+Tab切换窗口重启渲染，或检查演示者视图
豪威集团近日发布最新财务公告，显示2025年业绩实现显著增长。全年营业收入达288 55亿元，较上年提升12 14%；净利润突破40 45亿元，同比增长21 73%。这一成绩主要得益于半导体设计业务
3月29日，国内首条年产能万台级的人形机器人自动化产线在广东正式投入使用，人形机器人规模化量产能力取得重大突破。该产线年产能突破一万台，可实现每30分钟下线一台人形机器人，高效满足市场规模化交付需求
今日，华沿机器人正式在港交所挂牌上市，开启了其资本市场的新征程。此次上市，华沿机器人发售价定为每股17 00港元，折合人民币约14 99元。开盘时，股价为16 8港元，即人民币14 82元，而收盘价