背景：为什么 "懂语义" 和 "还原细节" 总是很难兼得？ 作者来自 Nanyang Technological University（MMLab） 与 SenseTime Research，提出 Prism Hypothesis（棱镜假说） 与 Unified Autoencoding（UAE），尝试用 "频 率谱" 的统一视角，把语义编码器与像素编码器的表示冲突真正 "合并解决"。 在视觉基础模型里，我们经常同时依赖两类能力： 但现实问题是：很多系统被迫把两套表示 "拼在一起用"：语义一套、像素一套，训练效率下降、表示互相干扰、而且很难得到一个既 "语义强" 又 "细节强" 的统一 潜空间。 论文把这种矛盾归结为一个更本质的问题：世界的信息到底如何被表示，才能既共享语义，又保留各自模态的细粒度。 核心洞察：Prism Hypothesis（棱镜假说） 论文标题： The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding 代码仓库：https://github.com/Weich ...