Tag · 4 篇

视频自监督预训练

TrackMAE: Video Representation Learning via Track Mask and Predict

把现成点跟踪器产生的稀疏轨迹当作显式重建目标与掩码先验，为视频自监督预训练注入细粒度运动信号；做视频表征学习或运动中心任务时，可直接复用其运动感知管状掩码与轨迹监督设计。

TimeBridge: Self-Supervised Video Representation Learning via Start-End Joint Embedding and In-Between Frame Prediction

用首尾帧的联合嵌入加轻量解码器重建中间帧，把「时序变换建模」变成可复用的自监督预训练目标，可直接迁移到视频分割、部件传播等密集预测任务的特征初始化。

PriVi: Towards a General-Purpose Video Model for Primate Behavior in the Wild

把 V-JEPA 这类视频自监督模型在领域数据（灵长类野外视频）上做继续预训练、再用冻结分类器评估的范式，可直接迁移到其他缺乏标注的细粒度视觉领域（动物行为、生态监测、医学视频），并给出了「领域级预训练」在标签稀缺时优于全量微调的经验证据。

Featurising Pixels from Dynamic 3D Scenes with Linear In-Context Learners

用现成网络估计的深度与运动线索图作为上下文，通过线性 in-context 学习从无标注视频中训练像素级、时序一致的特征描述子，可直接替换 VOS、表面法向估计、语义分割等密集预测任务中的骨干表征。