同源视图为什么能当作正例？

先固定一张原图，再独立采样两次变换，得到 $v=t(x)$ 与 $v^+=t'(x)$。知道它们来自同一个 $x$，是数据管线提供的身份信息；它不是模型事先认出了杯子。训练目标要求两张观察在表示空间仍能互相找到。

若两张裁剪分别改变背景和亮度，但都保留杯身，完成配对就可能需要抓住跨视图共有的轮廓和部件，而不能只记某个像素位置。这是视图训练有机会产生可迁移特征的理由。

但正例规则也施加了假设：如果一张只剩杯子、另一张只剩无关书本，我们仍知道它们同源，却未必给出了理想的语义一致性任务。增强不是越强越好；要问它留下了哪些共有证据，又要求模型忽略哪些差异。