大神话不多，但每一次一作论文，必定引发江湖震动。
这不，距离上一篇一作论文2年之后，何恺明再次以一作身份，带来最新研究。
依然是视觉领域的研究，依然是何恺明式的大道至简。
甚至在业内纷纷追求“大力出奇迹”、“暴力美学”的当下，何恺明还带着一种坚持独立思考的**识气概。
简洁：通篇论文没有一个公式。
有效：大巧不工，用最简单的方法展现精妙之美。
江湖震动：“CVPR 2022最佳论文候选预定”。
所以，何恺明新作：
Masked Autoencoders Are Scalable Vision Learners
究竟有怎样的思想和研究成果？
本文提出了一种用于计算机视觉的Masked AutoEncoders 掩蔽自编码器，简称MAE。
——一种类似于NLP技术的自我监督方法。
操作很简单：对输入图像的随机区块进行掩蔽，然后重建缺失的像素。
主要有两个核心设计。
一个是非对称的编码-解码架构，一个高比例遮蔽输入图像。
先来看编码-解码架构。
如图所示，编码器是ViT，它仅对可见区块进行操作，然后用一个轻量级编码器——仅在预训练期间负责图像重建任务。
具体而言，作者先将图像均匀划分为非重叠区块，然后随机对区块进行采样。
以遮蔽比例75%为例，它先在输入图像中掩蔽75%的随机区块，编码器只在可见的25%区块子集上运行，这样就可以只用非常少的计算和显存，来训练非常大的编码器。
然后解码器将可见的token和掩码token组合，并向所有token中添加位置嵌入，通过预测每个掩蔽区块的像素值来重建图像信号。
这样一来，在预训练时解码器可以独立于编码器，从而可以用非常轻量级解码器实验，大量减少预训练时间。
另一个特点则是对输入图像的高比例进行遮蔽时，自监督任务效果非常好。
比如，掩蔽掉80%随机patch的效果如下：
其中最左列为输入图像，中间列为MAE方法重建效果，最右侧为原图效果。
不同掩蔽比例在重建图像中的表现对比如下：
将这两种设计结合，结果用来训练大模型：
训练速度提升3倍以上，还提高准确率的那种。
除此之外，基于该方案所得出的大模型具备很好的泛化能力：
比如，在仅使用ImageNet-1K数据时，ViT-Huge模型准确性达87.8%。
在COCO数据集中的表现如下，虽然重建效果不清晰，但是基本语义是正确的。
研究者还对MAE迁移学习的性能进行了评估。
结果在下游任务，比如目标检测、实例分割、语义分割等任务都优于监督预训练。
在对比中可以看到，随机遮蔽75%、整块遮蔽50%和网格遮蔽75%的三种采样方法中，随机遮蔽75%重建图像的质量最好。
基于这些研究成果，何恺明团队在最后也表达了他们的看法。
一方面，扩展性好的简单算法是深度学习的核心。
在计算机视觉中，尽管自监督学习方面取得了进展，但实际预训练仍需受到监督。
这项研究中，作者看到ImageNet和迁移学习任务中，自编码器表现出了非常强的可扩展优势。
为此作者认为，CV中自监督学习现在可能正走上与NLP类似的轨道。
另一方面，作者注意，图像和语言是不同性质的信号，这种差异需要小心处理。
图像仅仅是记录下来的光，并没有语义分解为文字的视觉类似物。
他们不是去试图去除物体，而是去除可能不构成语义段的随机区块。重建的像素，也并不是语义实体。
论文的研究团队，来自Facebook AI研究院（FAIR），每个人都屡屡获誉，堪称梦之队。
除了几位老将，我们这次再多说说里面的华人面孔。
Xinlei Chen，本科毕业于浙江大学计算机专业，随后在卡内基梅隆大学攻读博士学位，曾在UCLA、谷歌云、MSR实习。
谢赛宁，本科毕业于上海交通大学ACM班，随后在UC圣迭戈分校攻读计算机博士学位，曾在谷歌、DeepMind实习。
Yanghao Li，本科毕业于北京大学计算机专业，随后留在本校继续攻读硕士学位。
最后，再次隆重介绍下何恺明。
一作何恺明，想必大家都不陌生。作为Mask R-CNN的主要提出者，他已4次斩获顶会最佳论文。
何恺明是2003年广东高考状元，并保送了清华，进入杨振宁发起设立的物理系基础科学班。
硕博阶段，何恺明前往香港中文大学多媒体实验室，导师正是后来的商汤科技创始人汤晓鸥。
此间，何恺明还进入微软亚洲研究院实习，在孙剑指导下，以一作身份发表ResNet研究，一举成名天下知，荣获2016年CVPR最佳论文。
同年何恺明进入由Yann Lecun（获2019年图灵奖）掌舵的Facebook人工智能实验室，与Ross Girshick、Piotr Dollar——本次研究中的其他几位老面孔，组成了FAIR在AI研究领域的梦之队。
更加令人钦佩的是，何恺明年少成名，但这几年来依然不断潜心研究，一直带来新惊喜。
甚至他的新研究，很多都是那种可以开枝散叶的成果。
这一次，MAE同样被视为这样的延续。
你怎么看MAE？
论文链接https://arxiv.org/abs/2111.06377
“