从纯像素学出判别性表示：Drifting Models 的 FID 降低 82–95%

作者提出持续表示学习，让 Drifting Models 不依赖预训练编码器、直接从像素学到判别性表示，多个数据集上 FID 相比原像素空间 Drifting Models 降低约 82–95%。研究把像素空间与预训练特征的差距归因于表示的判别性几何，它决定 KDE 样本加权与漂移方向，并证明 KDE 比率损失与漂移回归损失在当前步梯度上等价。适配预训练表示与速度裁剪可进一步增益。