一、背景
Masked Autoencoders（掩膜自编码器）在NLP领域大放异彩，它是去噪自编码器[1]的一种具体实现方式，然而其在视觉领域的研究进展却有所滞后。作者指出了视觉和NLP两个领域中掩膜自编码器的差异：
- 架构差异，这一点由于Vit的提出将差异进行了弥合。
- 信息密度不同，自然语言的语义复杂度相比图像更高一些，比如将一个句子的部分单词删除掉，补全缺失的单词似乎是一项非常复杂的语言理解任务，而图像存在较多的信息冗余，比如天空、草地、河流，掩盖部分图像可以从相邻区域进行复原。
- 视觉decoder还原masked块的像素，语义层次较低，NLP的decoder还原的是masked的词，后者拥有的语义信息更丰富，所以BERT中的decoder仅需一个MLP就可以搞定masked的词t复原。所以，就复原难度来说，视觉decoder的难度更大。
综上，以掩膜自编码器的形式构建了一种视觉领域的表征学习器，架构如下，由一个encoder和一个decoder构成。
在训练时，将75%的图片块mask掉，送入encoder模块， 所以encoder模块的计算量会比较小，送入decoder的输入是encoder的输出加上mask的图片块，图片块的位置复原为原图位置，decoder输出复原后的图像。所以，我们可以得到一个基本的结论，在训练时MAE的计算量会大幅减少，因为encoder仅需要关注未被mask掉的25%的图像块即可。
在测试时，decoder部分被舍弃，将预训练后的encoder直接应用于完整的图片，得到的输出用于视觉任务。
二、Encoder
Encoder部分使用的是Vit，出彩点是采用了极高的mask比例，75%！有三点好处：第一是计算效率大幅提升，第二个是会促使模型完成高难度的自监督学习任务，得到更鲁棒的图像表征；第二是可以很容易在大模型上做应用，这也是论文题目上Scale出现的原因。
三、Decoder
由于采用了非对称结构设计，decoder可以和encoder解耦，作者采用了更浅而瘦的Vit网络，计算量是encoder部分的1/10，极大的减少了预训练时间。
四、消融实验
- 慎用颜色增强，据作者所述，实验结果有负向作用；
五、参考文献
- Extracting and composing robust features with denoising autoencoders
