arXiv 2026年6月2日该工作针对纹理驱动视觉域开展捷径学习分析并与形状驱动的标准基准对比，发现纹理驱动域主要依赖少数频谱偏斜的低频分量（LFC）做决策，而高频分量（HFC）其实具有更高预测力；从训练集和测试集中剪除LFC可缓解该捷径并带来更均衡的频谱行为，在算法与真实域偏移下使分布内准确率最高提升10%、分布外准确率最高提升40%，同时通用与领域专用基础模型也可能存在低频捷径。该工作针对纹理驱动视觉域开展捷径学习分析并与形状驱动的标准基准对比，发现纹理驱动域主要依赖少数频谱偏斜的低频分量（LFC）做决策，而高频分量（HFC）其实具有更高预测力；从训练集和测试集中剪除LFC可缓解该捷径并带来更均衡的频谱行为，在算法与真实域偏移下使分布内准确率最高提升10%、分布外准确率最高提升40%，同时通用与领域专用基础模型也可能存在低频捷径。纹理驱动视觉学习存在低频捷径：剪除低频分量使分布内准确率最高提升10%、分布外准确率最高提升40%该工作针对纹理驱动视觉域开展捷径学习分析并与形状驱动的标准基准对比，发现纹理驱动域主要依赖少数频谱偏斜的低频分量（LFC）做决策，而高频分量（HFC）其实具有更高预测力；从训练集和测试集中剪除LFC可缓解该捷径并带来更均衡的频谱行为，在算法与真实域偏移下使分布内准确率最高提升10%、分布外准确率最高提升40%，同时通用与领域专用基础模型也可能存在低频捷径。该工作针对纹理驱动视觉域开展捷径学习分析并与形状驱动的标准基准对比，发现纹理驱动域主要依赖少数频谱偏斜的低频分量（LFC）做决策，而高频分量（HFC）其实具有更高预测力；从训练集和测试集中剪除LFC可缓解该捷径并带来更均衡的频谱行为，在算法与真实域偏移下使分布内准确率最高提升10%、分布外准确率最高提升40%，同时通用与领域专用基础模型也可能存在低频捷径。