Das unüberwachte Lernen visueller Repräsentationen bleibt ein weitgehend unlösbares Problem in der Forschung zur Computer Vision. Unter den zahlreichen kürzlich vorgeschlagenen Ansätzen für das unüberwachte Lernen visueller Repräsentationen erzielen eine Klasse von selbstüberwachten Techniken überlegene Leistungen bei vielen anspruchsvollen Benchmarks. Obwohl eine große Anzahl von Vorwandaufgaben für das selbstüberwachte Lernen untersucht wurden, haben andere wichtige Aspekte, wie die Wahl von Faltungsneuronalen Netzen (CNN), nicht die gleiche Aufmerksamkeit erfahren. Daher untersuchen wir zahlreiche früher vorgeschlagene selbstüberwachte Modelle neu und führen eine gründliche Studie großem Maßstabs durch, wodurch wir mehrere entscheidende Erkenntnisse zutage fördern. Wir stellen einige gängige Praktiken im Bereich des selbstüberwachten Lernens visueller Repräsentationen in Frage und beobachten, dass Standardmethoden für die Gestaltung von CNNs sich nicht immer auf das selbstüberwachte Lernen von Repräsentationen übertragen lassen. Im Rahmen unserer Studie verbessern wir die Leistungsfähigkeit früher vorgeschlagener Techniken erheblich und übertreffen die bisher veröffentlichten Standesbestimmungen um einen großen Vorsprung.