通过超球面密度整形的自监督表示学习
计算机视觉与模式识别
2026-04-28 v1
摘要
现代自监督表示学习方法通常依赖于缺乏理论基础的经验启发式方法。在本研究中，我们提出了 HyDeS，一种具有理论基础的方法，该方法基于超球面空间内的多视图互信息最大化，并使用 Shannon 微分熵与非参数 von Mises-Fisher 密度估计器。我们表明，HyDeS 使训练后的模型偏向于聚焦图像的前景特征，并在诸如 VOC PASCAL 等分割任务上表现良好，但在细粒度分类上表现滞后。我们对诱导的潜在空间几何和学习动态进行了详细分析，这可用于设计其他具有理论基础的自监督学习方法。
引用
@article{arxiv.2604.24498,
title = {Self-Supervised Representation Learning via Hyperspherical Density Shaping},
author = {Esteban Rodríguez-Betancourt and Edgar Casasola-Murillo},
journal= {arXiv preprint arXiv:2604.24498},
year = {2026}
}
备注
8 pages, 8 figures, 4 tables