DSv4降价消息一出来，瞬间瘫坐在椅子上，仿佛看到了原子弹爆炸一样
咳咳，总之，本篇是笔记分享系列的第二期，本系列是用以促进自己精读论文的动力(读多论文就留下了扫读的坏习惯)，希望每次阅读时，能够细心一些分析有价值的论文，并将这些感悟记录下来，留给有需要的佬友。本论文分享系列会一直更新到我不读论文为止，持续聚焦LLM/Agentic/CV方向的论文。
此外，对于一些过于理论化的内容，我会迎合L站风格进行调整，让佬们的阅读体验更好些，争取我们的内容既保留原意，又能通俗易懂，让佬们可以将我的随笔当做茶余饭后了解领域特定知识的小杂文，我会尽可能在这方面下点功夫去优化的。
希望我的随笔系列可以作为有价值的内容，留存在L站中供佬们翻阅。
0. 元信息
论文标题：Distributional Vision-Language Alignment by Cauchy-Schwarz Divergence
单位：阿姆斯特丹大学, 新加坡管理大学
原始论文：[2502.17028] Distributional Vision-Language Alignment by Cauchy-Schwarz Divergence
会议：ICLR 2026
1. 前言
这篇论文所在的领域并非我的研究方向，其关注的是文本生成图像（T2I）与图像检索问题。我先前主要研究的是基于 VL 对齐的少样本域泛化，因此在阅读本文时，一些解释可能会带有域泛化领域的视角倾向。
论文整体思路简洁，仅通过增加一个额外的损失约束项，就有效缓解了跨模态特征分布对齐问题，非常具有启发性。此外，本文还考虑了 LLM 的引入，使得直接扩大 Encoder 参数量并理解文本侧语义 Prompt 成为可能。
2. 问题
- 本文聚焦于 CLIP 等采用 InfoNCE 作为损失的对比学习方法，这类范式存在一个普遍的问题，它们试图将图文在表征层面进行对齐，却忽视了不同模态之间固有的模态差异，这导致后续大量方法都在试图弥补这一模态对齐的不足。
- InfoNCE 优化时存在对齐冲突问题：它试图拉近正样本对，同时推开负样本对。由于在多模态任务中，负样本通常来自另一个模态，这一机制容易导致跨模态样本的错配。
- 传统的 InfoNCE 试图从样本层面建立图文两者的关联，即假设一张图片对应一段文本描述。这里存在一个关键问题：如果是一段详细的图片描述，在模型看来，这段描述中的每个语义部分对于图像识别都应是等同重要的，这是因为 InfoNCE 将整段文本作为单一整体去匹配图像，因此无法充分利用描述内部的细粒度语义信息。
3. 动机
作者在观察 CLIP 训练得到的特征分布时发现：
CLIP 训练得到的文本和图像特征在 t-SNE 可视化中，可以明显看到两者之间存在一条分界线。这条分界线即 CLIP 形成的模态鸿沟：图像表征与文本表征在特征分布上就存在距离，未能有效对齐。
这意味着 CLIP 在训练时，并未充分考虑到模态间样本在语义层面的相似性，仅是建立了同一图文对之间的强关联，却将其他具有相似语义，但属于不同模态的样本推远。最终形成了同模态样本聚集、异模态样本分离的分布特征。
对于这一模态对齐失败问题的根源在于，InfoNCE 的监督信号没有显式地约束模态间的语义相似性。
作者为此提出了CS-Aligner，方法有效改变了这一现象，使不同模态的样本能够基于相同语义关系聚合成簇，从而实现了语义相关且模态对齐的目标。
4. 方法
本文方法的核心在于对损失函数进行改动，正如标题所示，引入了 CS 散度作为监督项。
在深入公式细节之前，我们先介绍整体的方法架构。这是一个非常标准的 CLIP 式双塔多模态编码器架构，值得注意的一点是，针对前文提到的细粒度语义理解问题，该方法专门在初始设计中就引入了 LLM Encoder。
此外，图中右侧有两条蓝线和一条红线，表示本文的原始推理设计针对的是 T2I 和图像检索任务；而 CS-Aligner 则采用了类似插件的设计，允许在任意编码器后通过 Adapter 插入（实践中使用的是Lora）。这种设计的优势在于即插即用，且 Adapter 通常仅需训练少量参数。CS-Aligner 仍作用于编码器输出的最终表征层，具有较好的普适性。
从图中可以看出 CS-Aligner 的核心思想：即除了采用 InfoNCE 在样本间进行关系映射之外，还引入了 CS 散度，约束模态间的分布距离，从两个维度进行优化。我们可以理解，CS-Aligner是在同时约束样本层面的相似性，以及模态层面的分布相似性。
本文的思想与我之前了解到的 Style-Pro 有一定相似之处，这里附上 Style-Pro 的示意图供参考：
两者在结构上确实颇为相似。
4.1 样本级优化
本文主要引入了 CS 散度。此外，针对不同编码类型，设计了不同的实现方式：对于常见的类别-图像组成的图文对，采用样本级对齐方式。
下面从样本级对齐开始介绍。相较于 CLIP 采用的 InfoNCE，本文引入了 CS 散度：
\min( \; \underbrace{-I(x; y)}_{CLIP} + \underbrace{\lambda D_{\mathrm{CS}}(p(x), p(y))}_{本次引入的CS散度}) \tag{1}假设输入分别为 $x$（图像特征）和 $y$（文本特征）。
公式中使用 \min，是因为我们希望最小化该损失函数，因此这两项共同构成了优化目标。
其中，第一项对应 CLIP 原始 InfoNCE 中采用的互信息（MI, mutual information）计算，旨在衡量 x 与 y 之间的依赖关系。由于我们希望正样本对之间具有强依赖性（即遇到 x 就能找到 y，反之亦然），而优化目标又是最小化损失值，因此此处对互信息项取负号，意味着 x 与 y 之间的依赖关系越大越好。
但仅有 MI 是不够的。作者分析发现，即使两者的关联度最大化，其边缘概率分布 P(X) 与 P(Y) 也并不受 MI 的直接影响。这意味着图像特征与文本特征在分布上的距离，并不会因 MI 的优化而自动缩小。
作者进一步展示了三种情况，分别是高 MI 高 KL 散度、高 MI 低 KL 散度、低 MI 低 KL 散度：
我们重点观察 MI 与 KL 散度的变化对分布 P 的影响。可以看到，MI 对模态样本的概率分布并不关心，这导致在优化模型时无法优化模态间的整体分布。作者表示，这阻碍了模态间的有效对齐，引发了前文所述的模态鸿沟问题。
为此，本文引入了 CS 散度 D_{\mathrm{CS}}(p(x), p(y)) 来计算样本 x 和 y 之间的特征分布距离，作为第二项优化目标。
下面详细展开这两个优化项：
\mathcal{L}_{\text{InfoNCE}} = -\frac{1}{2N}\sum_{i=1}^N \big( h(x_i, y_i) + h(y_i, x_i) \big) \tag{2} \hat{D}_{\mathrm{CS}}(p(x); p(y)) = \underbrace{\log\!\left(\frac{1}{M^2}\sum_{i,j=1}^M \kappa(x_i, x_j)\right)}_{\text{Image 自交互项 } S_{xx}} + \underbrace{\log\!\left(\frac{1}{N^2}\sum_{i,j=1}^N \kappa(y_i, y_j)\right)}_{\text{Text 自交互项 } S_{yy}} - \underbrace{2\log\!\left(\frac{1}{MN}\sum_{i=1}^M\sum_{j=1}^N \kappa(x_i, y_j)\right)}_{\text{跨模态交互项 } S_{xy}} \tag{3}InfoNCE 即 CLIP 原有的损失函数。在 CS 散度中，样本通过核密度估计（KDE）展开为分布进行计算，此处不再展开。
简单解释 CS 散度的公式：它计算图像样本内部的自相似性、文本样本内部的自相似性，以及两者的跨模态平均相似性，以此来衡量两个模态之间的分布相似性。其中，\frac{1}{M^2} 与 \frac{1}{N^2} 分别起到归一化作用。
4.2 Token 级优化
针对 Token 级输入，本文设计了另一种损失函数：
\mathcal{L}_{\text{token}} = \frac{1}{B}\sum_{i=1}^B \hat{D}_{\mathrm{CS}}(p(x_i); p(y_i)) \tag{4}注意这里引入的下标 i。x_i 并非指第 i 个 token，而是指维度为 \mathbb{R}^{V\times D} / \mathbb{R}^{L\times D} 的一组 Token 向量。此外，B 表示 batch size，用于对结果进行归一化处理。如果输入为 Token 形式，则 CS 散度将在两个模态间逐 Token 计算分布距离。
5.实验
可视化结果如下：
从实验结果来看，对齐效果显著。
6.结语
本文提出了一种全新的 CLIP 特征分布对齐思路。在优化过程中，除了使用 InfoNCE 损失外，还引入了CS散度作为整体模态分布对齐的补充，并设计了 Token 层面的对齐机制，填补了将 LLM 引入 CLIP 范式时的空白。整体上是一篇具有启发性的工作。
1 个帖子 - 1 位参与者