arXiv 新增 + SSL regularizer / JEPA collapse prevention · P0 · 2026-06-18

Expanding SPHERE-JEPA：它和通用视觉自监督的关系在于：把 SPHERE/LeJEPA 的随机 sliced uniformity 正则改成确定性 hypersphere divergence，是今天最贴近通用 SSL 训练目标的条目

高相关；详见方法、贡献和实验边界。

Expanding SPHERE-JEPA: A Family of Statistical Regularizers for the Hypersphere　arXiv 新增 + SSL regularizer / JEPA collapse prevention　原文链接

编号2606.17603 优先级P0 类别arXiv 新增 + SSL regularizer / JEPA collapse prevention 会议arXiv 新增 + SSL regularizer / JEPA collapse prevention 方法把 SPHERE/LeJEPA 的随机 sliced uniformity 正则改成确定性 hypersphere divergence，是今天最贴近通用 SSL 训练目标的条目来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 SPHERE/LeJEPA 的随机 sliced uniformity 正则改成确定性 hypersphere divergence，是今天最贴近通用 SSL 训练目标的条目。高相关；详见方法、贡献和实验边界。

**Figureure 1 · : Projection Variance**Figure 1: Projection Variance. Variance comparison between standard SUSReg (dashed) and its induced MMD estimator (solid) on $\dot { \mathbb { S } } ^ { 2 5 5 }$ .这张图/表用于判断 Expanding SPHERE-JEPA 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 2 · : Training Dynamics**Figure 2: Training Dynamics. The closed-form MMD (solid) entirely eliminates projection noise, achieving notably faster convergence.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Expanding SPHERE-JEPA 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：把 SPHERE/LeJEPA 的随机 sliced uniformity 正则改成确定性 hypersphere divergence，是今天最贴近通用 SSL 训练目标的条目。

方法拆解

把 SPHERE/LeJEPA 的随机 sliced uniformity 正则改成确定性 hypersphere divergence，是今天最贴近通用 SSL 训练目标的条目

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。