摘要

我们提出了一种新型的掩码图像建模（Masked Image Modeling, MIM）方法——上下文自编码器（Context Autoencoder, CAE），用于自监督表示预训练。该方法通过在编码表示空间中进行预测来预训练编码器。预训练任务包含两项：掩码表示预测（预测被掩码图像块的表示）和掩码图像块重建（重建被掩码的图像块）。CAE网络采用编码器-回归器-解码器架构：编码器以可见图像块作为输入；回归器基于可见图像块的表示以及可见与被掩码图像块的位置信息，预测被掩码图像块的表示，其目标是使预测的表示与编码器实际计算出的表示对齐；解码器则根据预测的编码表示重建被掩码的图像块。CAE的设计促使编码器（表示学习）与具体任务（掩码表示预测和掩码图像块重建）的解耦学习。实验证明，在编码表示空间中进行预测有助于提升表示学习的效果。我们在多个下游任务中验证了CAE的有效性，包括语义分割、目标检测、实例分割和图像分类，均取得了优于现有方法的迁移性能。代码将开源，地址为：https://github.com/Atten4Vis/CAE。