从像素出发，无需预训练：在单一模型中联合生成与自监督表征学习

基于摘要分析。本文研究图像生成对标签和预训练组件的依赖，提出 Self-conditioned Generation on Self-supervised representation（SCION），在单次训练中联合学习自监督表征、生成模型和条件嵌入先验，无需标签或预训练模型。 核心矛盾是：对比学习使用干净的增强视图，倾向于保留粗粒度、不变的语义；flow matching 使用带噪图像，需要保留细节与空间布局。SCION 采用一个同时接收扩散时间步和条件嵌入的像素空间编码器。表征学习时，条件嵌入是所有图像共享的可学习全局向量，以 [CLS] token 产生语义嵌入并接受对比损失训练；生成训练时，以图像自身的 [CLS] 嵌入作为条件，patch tokens 经解码器预测图像。模型同时学习嵌入先验，使推理采样不依赖参考图像，并通过梯度范数平衡与 stop-gradient 技巧联合优化各项损失。具体损失形式及梯度阻断位置尚未验证。 作者报告，在 ImageNet 256 × 256 的类别无条件生成中，使用相同 JiT-B/16 配方且不使用 representation guidance，SCION 的 FID 为 8.92，对照 iREPA 为 46.44、RCG 为 14.27；两种对照分别对齐或条件化于预训练 DINOv2。作者报告，采用 JiT-L/16 配方时，不使用及使用 representation guidance 的 FID 分别为 5.89 和 3.47，并称其优于采用 ADM 配方的 RCG（6.24）。后一比较涉及不同配方，不能视为严格同设置比较。摘要未提供表征质量评估；数据划分、采样设置、计算成本、消融及统计信息尚未验证。 平台推测（待验证）：若将语义表征与信号重建联合学习，可能对应 EEG 中判别不变性与时空细节保留之间的矛盾。可借鉴联合优化和条件先验思路，但需改造像素编码、增强方式及噪声过程；其有效性可能受 EEG 低信噪比、通道差异、跨被试变化和小数据规模限制。一个可检验的假设是：在固定跨被试划分、仅用训练被试进行自监督训练时，联合训练比单独对比学习提供更有用的表征，可用相同下游协议比较 Balanced Accuracy。已有 EEG 相关工作尚未检索确认。