参考文章：北大博士生提出CAE，下游任务泛化能力优于何恺明MAE_湃客_澎湃新闻-The Paper
MAE是基于可见patch的隐藏表示以及可见patch进行重建，CAE是基于可见patch的隐藏表示，引入latent context regressor（隐式上下文回归器）预测出mask patch的隐藏表示，再进行解码重建。
CAE将“表征学习”和“前置/代理任务”进行分离，要求encoder更好的进行表征学习，decoder更好的进行pretext task。
网络
1）encoder采用ViT，可见的patch经过encoder得到隐藏表示Zv
2）latent context regressor，基于可见patch的隐藏表示 + mask query，回归得到 mask patch的隐藏表示Zm
3）decoder，基于mask patch的隐藏表示，解码得到mask patch的一些目标性质，比如RGB像素。
4）alignment，为了约束regressor输出的Zm与encoder的输出在一个空间，保证其输出具有高质量表达，将mask patch也经过encoder得到Zm~，将Zm与Zm~进行alignment。
（1）将所有patch都经过编码器得到隐藏表示后，直接送入到decoder进行RGB重建，发现CAE能很好的重建图像，因此可以说明，regressor输出的隐藏表示 跟 encoder的隐藏表示 是同一隐藏空间。
（2）没有alignment的话，regressor输出的隐藏表示在解码后无法重建，因此说明没有align的话regressor的输出与encoder的输出不在同一个编码空间；
loss
1）对decoder输出的loss使用的是CEloss
2）对Alignment输出的表示进行监督，使用的是MAE loss
结论
进一步验证了MIM（mask image model）方法，要比对比学习（MOCO等）更适合下游任务。
且随机裁剪很大概率都会包括图像中心，而imganet数据集大多都是目标在中心，因此对比学习方法主要学习的还是主体的特征。而MIM通过随机的mask patch，能使得模型能考虑到图像中所有patch。