摘要
尽管自监督学习（Self-Supervised Learning, SSL）模型的训练成本日益增加，但大多数SSL模型仍反复从零开始训练，未能得到充分使用，原因在于仅有少数当前最优（SOTA）模型被应用于下游任务。在本工作中，我们探索了一种可持续的SSL框架，面临两大核心挑战：其一，如何以低成本的方式，基于已有的预训练SSL模型（称为“基础模型”）学习到一个性能更强的新SSL模型；其二，使新模型的训练过程能够兼容多种不同的基础模型。为此，我们提出了一种目标增强型条件（Target-Enhanced Conditional, TEC）机制，该机制在现有的基于掩码重建的SSL框架基础上引入了两个关键组件。首先，我们提出了补丁关系增强型目标（patch-relation enhanced targets），通过增强基础模型所提供的目标信号，并利用不完整输入引导新模型学习来自基础模型的语义关系知识。这种目标强化与结构硬化机制，促使新模型在处理不完整输入时引入额外的补丁间关系建模能力，从而实现对基础模型的超越。其次，我们引入了一个条件适配器（conditional adapter），能够自适应地调整新模型的预测输出，使其与不同基础模型的目标保持对齐。大量实验结果表明，所提出的TEC机制不仅显著提升了模型的学习效率，还能有效改进现有的SOTA SSL基础模型（如MAE和iBOT），为实现可持续的自监督学习迈出了探索性的一步。