1. 论文基本信息

论文标题：Masked Autoencoders Are Scalable Vision Learners

作者：Kaiming He∗,† Xinlei Chen∗ Saining Xie Yanghao Li Piotr Doll ́ ar Ross Girshick

发表时间和期刊：19 Dec 2021; arxiv

论文链接：Masked Autoencoders Are Scalable Vision Learners (arxiv.org)

2. 研究背景和动机

研究背景：NLP领域中，基于自回归的语言模型（GPT中）和带掩码的自编码器（BERT中）取得了极大的成功，它们的思想是：移除数据中的部分内容并通过学习来预测被移走的内容，例如BERT中的类似于完形填空的任务。这些方法可以使得训练一个千亿参数级别的模型。

研究动机：那么在视觉任务中，能否采用类似BERT的方法来处理呢？首先作者提出问题：what makes masked autoencoding different between vision and language?，即在视觉和语言两方面上带掩码的自编码器有什么不同呢？作者从三个角度回答了这个问题：

（1）架构上的差异。CV中是以卷积网络为主导，通过卷积核扫遍图片提取特定的信息，类似“mask token”这样的信息不方便加进去，而在NLP中MASK可以作为一个特定的词，会一直保存下来。ViT（Vision in Transformer）的出现减轻了架构差异这个阻碍。

（2）信息密度的不同。语言是人类产生的，带有一定的语义并具有非常高的信息密度；而图片是一种自然信号并有一定的信息冗余，比如即使遮住图片中某一小块，也可以根据邻近的块中风景、人像等信息将其补全。因此在学习中为了克服这种差异并学到有用的特征，作者采用了一种方法：遮盖掉图片中大部分的块，如遮盖比例达到75%。

（3）如（2）所说，NLP中单词信息密度是较高的，而图片中的像素语义特征程度较低，因此decoder的作用在视觉和语言上也是不同的。个人理解是decoder在视觉任务上重建的是像素级别块，相比单词来说语义特征更低，因此需要一个复杂的decoder架构来解决，做一个比较大的解码器。

3. 主要贡献

MAE的思路是：mask掉图片的一部分patch，并重建这些mask掉的块。两点核心设计：

（1）设计了一个非对称式的encoder-decoder架构，encoder只操作那些可见的patch块部分，并得到一些图片的潜在表示；而decoder从那些不可见的（也即被mask的图像块）以及encoder的输出这两部分中重建原始图像块。MAE架构如下图所示，可以注意到decoder比encoder更为轻量级，灰色块代表被mask掉的：

（2）mask掉图像的大部分块（如75%的遮盖率）可以创造一个有意义的自监督学习任务。仅使用剩余的少部分图像信息进行训练。这种策略不仅降低了计算成本，而且增强了模型的重建能力。MAE通过其创新的掩码策略和简洁的模型架构，展示了在自监督学习领域的巨大潜力。

4. 方法和模型

下图展示了重建图片的具体情况，每一个三元组中，左侧代表masked image，中间是MAE重建的结果，右侧是原始图片：

（1）Masking：把图像分成一系列的patch块，并随机mask掉一些patch块，下图为不同mask比率对重建图片的影响：

（2）MAE encoder：encoder是一个ViT但是只作用在没有被遮住的块，encoder会对patch进行线性投影再添加位置编码，由于只作用在小部分patch（mask比率为75%时，encoder只处理剩余的25%），减少了计算并节约内存。

（3）MAE decoder：MAE 的解码器仅在预训练过程中用于执行图像重建任务（仅使用编码器来生成用于识别的图像表示）。因此，解码器架构可以灵活设计，与编码器设计无关。作者尝试了非常小的解码器，它们比编码器更窄、更浅。

（4）Reconstruction target：MAE 通过预测每个被掩码块的像素值来重建输入。解码器输出中的每个元素都是一个代表块的像素值向量。解码器的最后一层是一个线性投影，其输出通道数等于一个块中的像素值数量。解码器的输出被重塑为一个重建图像。损失函数计算重建图像和原始图像在像素空间中的均方误差（MSE），并仅在被掩码的块上计算损失，类似于 BERT。

5. 实验和结果

略~

6. 讨论和未来工作

简单且可扩展的算法是深度学习的核心。在NLP中，简单的自监督学习方法使得模型规模呈指数级增长而受益。在计算机视觉领域，尽管自监督学习有所进展，但实用的预训练范式主要是监督式的。在本研究中观察到，在 ImageNet 和迁移学习中，自编码器——一种类似于 NLP 技术的简单自监督方法提供了可扩展的好处。自监督学习在视觉领域可能正在走上一条与 NLP 类似的轨迹。 另一方面，注意到图像和语言是性质不同的信号，这种差异必须谨慎处理。图像没有像词语那样的语义分解。我们没有尝试去除对象，而是去除随机块，这些块很可能不会形成语义片段。同样，我们的 MAE 重建像素，这些像素不是语义实体。然而，观察到 MAE 推断出复杂的、整体的重建，这表明它已经学习了许多视觉概念，即语义。我们假设这种行为是通过 MAE 内部丰富的隐藏表示发生的。我们希望这种观点能激发未来的研究工作

7. 个人理解和反思

在引言中，从“提出问题”到“回答问题”再到“提出我的想法”这种写作方式值得借鉴，结论中提到的“简单”是相对而言的，是基于ViT提出来的。利用ViT做BERT一样的自监督学习，盖住更多的块使得剩下的块之间的冗余度没有那么高；使用transformer架构的解码器直接还原原始的像素信息，使得整个流程更加简单。在ImageNet-1K上使用自监督训练的效果超过了之前的工作。简单的想法+非常好的实验结果+详细的实验决定了这是一个高质量的工作