Indian Institute of Technology Bombay

跨模态遥感检索要在合成孔径雷达与多光谱图像之间找到语义相同的场景，而此前的 JEPA 类方法把被遮挡图像块的潜在表示当作确定值回归，默认每块都同样可预测。CAPE-JEPA 改为输出每块均值和方差的高斯预测器，用负对数似然训练，并加入对抗式跨模态分布正则与训练中对比学习。在 BEN-14K 与 fMoW 上，它在全部八个检索方向上超过包括 X-JEPA、SkySense 和 CROMA 在内的基线，相对 X-JEPA 在 BEN-14K 跨模态方向最多高 13.74 分、在 fMoW 上最多高 15.59 分，参数量为 407.30M 对 432.72M。

跨模态遥感检索要在合成孔径雷达与多光谱图像之间找到语义相同的场景，而此前的 JEPA 类方法把被遮挡图像块的潜在表示当作确定值回归，默认每块都同样可预测。CAPE-JEPA 改为输出每块均值和方差的高斯预测器，用负对数似然训练，并加入对抗式跨模态分布正则与训练中对比学习。在 BEN-14K 与 fMoW 上，它在全部八个检索方向上超过包括 X-JEPA、SkySense 和 CROMA 在内的基线，相对 X-JEPA 在 BEN-14K 跨模态方向最多高 13.74 分、在 fMoW 上最多高 15.59 分，参数量为 407.30M 对 432.72M。

该工作提出 COFLOW，一种推理时方法，依据提示特征为每次生成自适应选择步数，并用无监督奖励在线训练以平衡推理效率与生成保真度；它即插即用、无需重训底层生成模型，可推广到图像与视频生成，实现逾 2.5 倍加速同时保持感知与语义质量，并给出标准正则条件下 O(1/K) 的前向欧拉离散误差界理论分析。

该工作提出 COFLOW，一种推理时方法，依据提示特征为每次生成自适应选择步数，并用无监督奖励在线训练以平衡推理效率与生成保真度；它即插即用、无需重训底层生成模型，可推广到图像与视频生成，实现逾 2.5 倍加速同时保持感知与语义质量，并给出标准正则条件下 O(1/K) 的前向欧拉离散误差界理论分析。