arXiv Thu batch; self-supervised image clustering · P0 · 2026-07-11

Converge to Surprise：它和通用视觉自监督的关系在于：用 surprise score + evolution strategy 替代常规 per-step SSL loss，直接瞄准无类别数先验的图像聚类

高相关；详见方法、贡献和实验边界。

Converge to Surprise: Evolutionary Self-supervised Image Clustering　arXiv Thu batch; self-supervised image clustering　原文链接

编号2607.06887 优先级P0 类别arXiv Thu batch; self-supervised image clustering 会议arXiv Thu batch; self-supervised image clustering 方法用 surprise score + evolution strategy 替代常规 per-step SSL loss，直接瞄准无类别数先验的图像聚类来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：用 surprise score + evolution strategy 替代常规 per-step SSL loss，直接瞄准无类别数先验的图像聚类。高相关；详见方法、贡献和实验边界。

**Figureure 6 · Number of discovered (surprising) clusters vs**Figure 6. Number of discovered (surprising) clusters vs. training epoch on MNIST, for five independent runs. The model overproduces surprising clusters during pure ES stage. Then, the number of surprise clusters are consolidated back to 10 once gradientdescent training begins (two-stage schedule, starts from epoch 2000).这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Converge to Surprise 的方法或实验，请结合正文精读段落一起看。

**Figureure 1 · Chessboard masking: i-side can only view pixels in white chessboard po**Figure 1. Chessboard masking: i-side can only view pixels in white chessboard positions; j-side can only view pixels in black chessboard positions. The two views share no pixel in common.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Converge to Surprise 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 surprise score + evolution strategy 替代常规 per-step SSL loss，直接瞄准无类别数先验的图像聚类。

方法拆解

用 surprise score + evolution strategy 替代常规 per-step SSL loss，直接瞄准无类别数先验的图像聚类

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。