摘要
我们提出了一种对掩码自编码器（Masked Autoencoders, MAE）的扩展方法，通过显式鼓励模型学习更高层次的场景级特征，从而提升其表征能力。该方法主要通过以下两个方面实现：（i）引入生成图像与真实图像之间的感知相似性损失项；（ii）借鉴对抗训练领域的多种技术，包括多尺度训练策略以及自适应判别器增强机制。上述方法的结合不仅显著提升了像素级别的重建质量，还使得模型所学习到的特征能够更好地捕捉图像中的高层语义信息。更为重要的是，我们证明了所提出的Perceptual MAE方法在下游任务中表现出更优的性能，超越了以往的各类方法。在ImageNet-1K数据集上，采用线性探测（linear probing）方式达到78.1%的Top-1准确率，微调（fine-tuning）时最高可达88.1%；在其他下游任务中也取得了相近的优异结果。所有这些成果均在无需依赖额外预训练模型或数据的前提下实现。