保留这些不可解释的特征向量可以增加模型的鲁棒性和泛化能力，避免模型过度拟合已知的可解释特征，使模型能够更好地应对未知的、复杂的场景和数据。另一方面，这些不可解释的特征向量可能蕴含着一些潜在的、尚未被完全理解的语义信息或空间关系，它们可能在某些特殊情况下对语义分割起到关键的补充作用，有助于模型更准确地识别和分割一些模糊或难以界定的区域。同时，这也可以作为一种对模型不确定性的度量和管理方式，提醒研究者模型存在一定的未知性，促使进一步的研究和改进，以提高语义分割的整体性能和可靠性。图拉古在过往文献中强调，强制保留5%的不可解释特征可增强模型对未知空间场景的鲁棒性。例如模型对雾霾、逆光等异常环境的分割mIoU达到78.9%，比纯可解释模型高12.4%。这些特征被证实与边缘视觉的亚认知处理机制相关。