視覺模型既懂語義，又能還原細節，南洋理工&商湯提出棱鏡假說

作者來自 Nanyang Technological University（MMLab） 與 SenseTime Research，提出 Prism Hypothesis（棱鏡假說） 與 Unified Autoencoding（UAE），嘗試用 “頻率譜” 的統一視角，把語義編碼器與像素編碼器的表示沖突真正 “合并解決”。

• 論文標題：The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding
• 代碼倉庫：https://github.com/WeichenFan/UAE
• 論文地址：https://arxiv.org/pdf/2512.19693

背景：為什么 “懂語義” 和 “還原細節” 總是很難兼得？

在視覺基礎模型里，我們經常同時依賴兩類能力：

• 語義理解：像 DINOv2 / CLIP 這類 “語義編碼器” 更擅長類別、屬性、關系等抽象信息；
• 像素保真：像 SD 系列 VAE 這類 “像素編碼器” 更擅長紋理、邊緣、小字等細節重建。

但現實問題是：很多系統被迫把兩套表示 “拼在一起用”：語義一套、像素一套，訓練效率下降、表示互相干擾、而且很難得到一個既 “語義強” 又 “細節強” 的統一潛空間。

論文把這種矛盾歸結為一個更本質的問題：世界的信息到底如何被表示，才能既共享語義，又保留各自模態的細粒度。

核心洞察：Prism Hypothesis（棱鏡假說）

論文給出了一個非常直觀的統一解釋：

• 可以把真實世界的輸入看成投影到同一條 “特征頻譜” 上的不同切片；
• 低頻更像 “全局結構 / 語義”（類別、布局、關系）；
• 高頻更像 “局部細節 / 質感”（紋理、邊緣、微小文字）。

為了驗證，作者做了兩類證據：

1. 能量譜分析：語義編碼器（如 DINOv2、CLIP）能量更集中在低頻，而像素型編碼器（如 SD-VAE）保留更多中高頻細節。

2. 頻率過濾下的檢索魯棒性：文本 - 圖像檢索的 R@5 在低通情況下較穩定，但在高通 / 去掉低頻基座后會明顯崩塌、趨近隨機，說明跨模態語義對齊主要來自共享低頻基座。

方法：Unified Autoencoding（UAE）怎么把兩種表示 “合成一套”？

圍繞 “低頻語義基座 + 高頻細節殘差” 的思路，UAE 的核心是把一個統一編碼器學成多頻段潛變量，并把 “語義該管什么、細節該放哪里” 結構化地拆開。

1) Unified Encoder：從語義編碼器初始化，走向統一潛空間

以 DINOv2 為例，UAE 的統一編碼器從預訓練語義模型初始化，進入后續頻域處理。

2) Residual Split Flow：在頻域做 “可控的分帶分解”

UAE 用 FFT 做頻段投影（平滑徑向 mask），并采用迭代殘差拆分，把潛變量拆成多個頻帶：

• 低頻帶（低頻）承載語義 / 全局結構
• 更高 band（高頻）逐步承載邊緣、紋理等細節殘差

同時強調分解的可逆性與空間一致性。

3) Frequency Band Modulator：只 “擾動細節”，再做頻帶融合給解碼器

訓練時對高頻帶進行噪聲擾動以增強魯棒性；然后把各頻帶在通道維拼接，融合后作為解碼器唯一輸入。

4) Semantic-wise Loss：語義只約束低頻，細節放開學像素

為了既繼承語義先驗、又擴展到高頻細節，UAE 的語義對齊損失只施加在最低頻的前 K 個 band 上：

• 低頻對齊 ；
• 高頻不強行對齊；

論文也明確把 UAE 定位為 tokenizer，并強調其 “能與現有 diffusion transformers 無縫對齊”。

實驗結果：一個潛空間，同時要 “語義” 也要 “細節”

重建質量（ImageNet / MS-COCO）

在 256×256 重建任務上，UAE（DINOv2-L）在 ImageNet 上達到 PSNR=33.08、SSIM=0.94、rFID=0.16，在 MS-COCO 上達到 PSNR=32.84、SSIM=0.94、rFID=0.17。

同時，論文指出在相同 DINOv2 編碼器設置下，UAE 相比 RAE 基線在 PSNR/SSIM 更高，并且 rFID 下降超過 90%。

生成能力（ImageNet 類條件生成）

在 ImageNet 256×256 類條件生成上，UAE 達到 gFID=1.68、IS=301.6。

語義理解（Linear Probing）

在 ImageNet-1K 上，UAE 在 ViT-B 骨干下達到 Top-1=83.0%，與 RAE 持平。