通用视觉自监督研究报
A Daily Digest of Visual Self-Supervised Learning
2026-05-28 图像表征 · VFM · JEPA · 视频预训练
Visual SSL / representation · P1 · 2026-05-28

JLT：它和通用视觉自监督的关系在于：说明 latent diffusion 的预测目标是表示几何选择，不只是 x/epsilon/v 的代数互换

中高相关；详见方法、贡献和实验边界。

JLT: Clean-Latent Prediction in Latent Diffusion Transformers　arXiv　原文链接

编号2605.27102 优先级P1 类别Visual SSL / representation 会议arXiv 方法说明 latent diffusion 的预测目标是表示几何选择，不只是 x/epsilon/v 的代数互换 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：说明 latent diffusion 的预测目标是表示几何选择，不只是 x/epsilon/v 的代数互换。 中高相关；详见方法、贡献和实验边界。

Figureure 2 · : Training curves for the matched target ablation
Figureure 2 · : Training curves for the matched target ablationFigure 2: Training curves for the matched target ablation. Checkpoints after initialization are evaluated every 40 epochs; clean-latent variants keep lower FID and higher Inception Score than velocity counterparts.这张图/表用于判断 JLT 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。
Figureure 1 · : ImageNet 256 × 256 samples from JLT-B/1 using 50-step Heun sampling.
Figureure 1 · : ImageNet 256 × 256 samples from JLT-B/1 using 50-step Heun sampling.Figure 1: ImageNet 256 × 256 samples from JLT-B/1 using 50-step Heun sampling.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 JLT 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：说明 latent diffusion 的预测目标是表示几何选择，不只是 x/epsilon/v 的代数互换。

方法拆解

说明 latent diffusion 的预测目标是表示几何选择，不只是 x/epsilon/v 的代数互换

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。