arXiv new; ECCV 2026; diffusion distillation · P3 · 2026-07-01

Cross-Space Distillation：它和通用视觉自监督的关系在于：Cross-Space Distillation 解决 teacher/student latent space 不同的问题，可借鉴到异构视觉基础模型蒸馏

中相关；详见方法、贡献和实验边界。

Cross-Space Distillation: Teaching One-Step Students with Modern Diffusion Teachers　arXiv new; ECCV 2026; diffusion distillation　原文链接

编号2606.32020 优先级P3 类别arXiv new; ECCV 2026; diffusion distillation 会议arXiv new; ECCV 2026; diffusion distillation 方法Cross-Space Distillation 解决 teacher/student latent space 不同的问题，可借鉴到异构视觉基础模型蒸馏来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：Cross-Space Distillation 解决 teacher/student latent space 不同的问题，可借鉴到异构视觉基础模型蒸馏。中相关；详见方法、贡献和实验边界。

**Fig**Fig. A5: Additional Qualitative Results for our SD 2.1 Student Merged Model.这张图/表用于判断 Cross-Space Distillation 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。

**Fig**Fig. A4: Additional Qualitative Results for our SD 1.5 Merged Model.这张图/表用于判断 Cross-Space Distillation 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。

核心问题

它和通用视觉自监督的关系在于：Cross-Space Distillation 解决 teacher/student latent space 不同的问题，可借鉴到异构视觉基础模型蒸馏。

方法拆解

Cross-Space Distillation 解决 teacher/student latent space 不同的问题，可借鉴到异构视觉基础模型蒸馏

主要贡献

中相关；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。