大神话不多，但每一次一作论文，必定引发江湖震动。

这不，距离上一篇一作论文 2 年之后，何恺明再次以一作身份，带来最新研究。

依然是视觉领域的研究，依然是何恺明式的大道至简。

甚至在业内纷纷追求大力出奇迹，暴力美学的当下，何恺明还带着一种坚持独立思考的反共识气概。

简洁:通篇论文没有一个公式。

有效:大巧不工，用最简单的方法展现精妙之美。

江湖震动:CVPR 2022 最佳论文候选预定。

所以，何恺明新作《Masked Autoencoders Are Scalable Vision Learners》究竟有怎样的思想和研究成果。

用于 CV 的自监督学习方案

本文提出了一种用于计算机视觉的 Masked AutoEncoders 掩蔽自编码器，简称 MAE，一种类似于 NLP 技术的自我监督方法。

操作很简单:对输入图像的随机区块进行掩蔽，然后重建缺失的像素。

主要有两个核心设计。

一个是非对称的编码—解码架构，一个高比例遮蔽输入图像。

先来看编码—解码架构。

如图所示，编码器是 ViT，它仅对可见区块进行操作，然后用一个轻量级编码器 —— 仅在预训练期间负责图像重建任务。

以遮蔽比例 75% 为例，它先在输入图像中掩蔽 75% 的随机区块，编码器只在可见的 25% 区块子集上运行，这样就可以只用非常少的计算和显存，来训练非常大的编码器。

然后解码器将可见的 token 和掩码 token 组合，并向所有 token 中添加位置嵌入，通过预测每个掩蔽区块的像素值来重建图像信号。

这样一来，在预训练时解码器可以独立于编码器，从而可以用非常轻量级解码器实验，大量减少预训练时间。

另一个特点则是对输入图像的高比例进行遮蔽时，自监督任务效果非常好。

比如，掩蔽掉 80% 随机 patch 的效果如下:

其中最左列为输入图像，中间列为 MAE 方法重建效果，最右侧为原图效果。

不同掩蔽比例在重建图像中的表现对比如下:

将这两种设计结合，结果用来训练大模型:

训练速度提升 3 倍以上，还提高准确率的那种。

除此之外，基于该方案所得出的大模型具备很好的泛化能力:

比如，在仅使用 ImageNet—1K 数据时，ViT—Huge 模型准确性达 87.8%。

在 COCO 数据集中的表现如下，虽然重建效果不清晰，但是基本语义是正确的。

研究者还对 MAE 迁移学习的性能进行了评估。

结果在下游任务，比如目标检测，实例分割，语义分割等任务都优于监督预训练。

在对比中可以看到，随机遮蔽 75%，整块遮蔽 50% 和网格遮蔽 50% 的三种采样方法中，随机遮蔽 75% 重建图像的质量最好。

基于这些研究成果，何恺明团队在最后也表达了他们的看法。

一方面，扩展性好的简单算法是深度学习的核心。

在计算机视觉中，尽管自监督学习方面取得了进展，但实际预训练仍需受到监督。

图像仅仅是记录下来的光，并没有语义分解为文字的视觉类似物。

他们不是去试图去除物体，而是去除可能不构成语义段的随机区块重建的像素，也并不是语义实体

研究团队

论文的研究团队，来自 Facebook AI 研究院，每个人都屡屡获誉，堪称梦之队。

除了几位老将，我们这次再多说说里面的华人面孔。

Xinlei Chen，本科毕业于浙江大学计算机专业，随后在卡内基梅隆大学攻读博士学位，曾在 UCLA，谷歌云，MSR 实习。

谢赛宁，本科毕业于上海交通大学 ACM 班，随后在 UC 圣迭戈分校攻读计算机博士学位，曾在谷歌，DeepMind 实习。

Yanghao Li，本科毕业于北京大学计算机专业，随后留在本校继续攻读硕士学位。

最后，再次隆重介绍下何恺明。

一作何恺明，想必大家都不陌生作为 Mask R—CNN 的主要提出者，他已 4 次斩获顶会最佳论文

何恺明是 2003 年广东高考状元，并保送了清华，进入杨振宁发起设立的物理系基础科学班。

硕博阶段，何恺明前往香港中文大学多媒体实验室，导师正是后来的商汤科技创始人汤晓鸥。

此间，何恺明还进入微软亚洲研究院实习，在孙剑指导下，以一作身份发表 ResNet 研究，一举成名天下知，荣获 2016 年 CVPR 最佳论文。

同年何恺明进入由 Yann Lecun掌舵的 Facebook 人工智能实验室，与 Ross Girshick，Piotr Dollar—— 本次研究中的其他几位老面孔，组成了 FAIR 在 AI 研究领域的梦之队。

更加令人钦佩的是，何恺明年少成名，但这几年来依然不断潜心研究，一直带来新惊喜。

甚至他的新研究，很多都是那种可以开枝散叶的成果。

这一次，MAE 同样被视为这样的延续。

你怎么看 MAE。

。