[论文随笔分享] CS-Aligner 基于柯西-施瓦茨散度的分布视觉语言对齐

问题描述：

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，使得理解文本侧提示词的细粒度语义，以及直接扩大 Encoder 参数量增加理解能力成为可能。

2. 问题

1. 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。