멀티 스케일 표현 학습 (multi-scales representation learning)은 탄력적인 차원 임베딩 (elastic-dimension embeddings)을 가능하게 하지만, 중첩된 부분 공간 (nested subspaces)은 종종 차원 중복 (dimensional redundancy)과 스펙트럼 붕괴 (spectral collapse) 문제를 겪습니다. 이를 해결하기 위해, 우리는 등방성 부분 공간 정렬 (isotropic subspace alignment)을 통해 다중 입도 임베딩 (multi-granular embeddings)의 기하학적 구조를 최적화하는 프레임워크인 MIC를 소개합니다. MIC는 교차 상관 페널티 (cross-correlation penalties)를 통해 접두사 (prefix)와 잔차 (residual) 부분 공간 사이의 중복을 완화하는 소프트 붕괴 정규화 (Soft Collapse Regularization, SCR)를 채택하며, 이와 함께 저차원 접두사의 초구면 균일성 (hyper-spherical uniformity)을 보장하기 위한 스펙트럼 등방성 정규화 (Spectral Isotropy Regularization, SIR)를 사용합니다. 이러한 전략들을 자기 증류 (self-distillation) 목적 함수를 통해 통합함으로써, MIC는 높은 판별력 (discriminative power)을 유지하는 의미론적으로 밀도 높은 표현 (semantically dense representations)을 생성합니다. 우리의 실험 결과는 MIC가 표준 베이스라인 (standard baselines)을 크게 능가하며, 특히 정보 용량 (informational capacity) 유지가 가장 중요한 고압축 (high-compression) 시나리오에서 탁월한 성능을 보임을 입증합니다.