arXiv 新增 + ICML FoGen Workshop · P1 · 2026-06-09

Evaluating the Representation Space of：它和通用视觉自监督的关系在于：用 SSL 的 invariant/residual 分解来评估 diffusion feature，是连接生成模型与视觉自监督表示几何的高价值诊断

高相关；详见方法、贡献和实验边界。

Evaluating the Representation Space of Diffusion Models via Self-Supervised Principles　arXiv 新增 + ICML FoGen Workshop　原文链接

编号2606.09718 优先级P1 类别arXiv 新增 + ICML FoGen Workshop 会议arXiv 新增 + ICML FoGen Workshop 方法用 SSL 的 invariant/residual 分解来评估 diffusion feature，是连接生成模型与视觉自监督表示几何的高价值诊断来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：用 SSL 的 invariant/residual 分解来评估 diffusion feature，是连接生成模型与视觉自监督表示几何的高价值诊断。高相关；详见方法、贡献和实验边界。

**Figureure 1 · : Overview of the ICR Framework**Figure 1: Overview of the ICR Framework. Each training image is augmented and passed through the diffusion feature extractor, decomposing representations into an invariant component ?? and a residual ??; their covariances define ICR (a–b). ICR serves as a unified diagnostic: it identifies the optimal noise level for classification tasks, tracks generative quality without sampling, and anticipates memorization onset during training (c).这张图概括 Evaluating the Representation Space of 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 13 · : Stability of ICR estimates under subsampling**Figure 13: Stability of ICR estimates under subsampling. We evaluate ICR on CIFAR10 using a pretrained EDM model (4095 training samples) and a fixed noise level, varying the number of training samples used to estimate the covariances from $N = 1 6$ up to the full 50K images. As ??increases, the estimated ICR quickly showcase the similar trend close to the full data estimate.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Evaluating the Representation Space of 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：用 SSL 的 invariant/residual 分解来评估 diffusion feature，是连接生成模型与视觉自监督表示几何的高价值诊断。

方法拆解

用 SSL 的 invariant/residual 分解来评估 diffusion feature，是连接生成模型与视觉自监督表示几何的高价值诊断

主要贡献

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。