SlotMask：用于以对象为中心的表征学习的掩码特征重建

基于摘要分析。SlotMask 研究视觉场景中以对象为中心的表征学习，将场景表示为一组对象级向量（slots）；其核心贡献是以预测随机掩码特征的双向 transformer，替代由 slots 条件化的自回归特征重建，并将重建过程与 Slot Attention 发现的对象结构绑定。 具体而言，每个被掩码 token 以 slots 的加权混合进行初始化，权重来自该 token 的 Slot Attention 分配；同时，解码器的交叉注意力被训练为与这些分配对齐。再结合随机采样的掩码比例，方法试图让掩码重建目标保留对象级结构，而不只是恢复局部视觉特征。摘要未给出注意力对齐的具体损失形式、掩码比例分布及训练与推理细节。 作者报告，在 PASCAL VOC、MS COCO 和 MOVi-C/E 的无监督对象发现任务中，SlotMask 达到当前最佳水平，并在匹配骨干、相同训练预算的条件下优于自回归基线，且解码成本更低。摘要未提供具体指标、数值、数据划分或成本计量方式，因此尚不能量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是假设以潜在成分分配约束掩码重建，可能有助于 EEG 表征区分混合来源；但原研究依赖视觉特征 token 及对象结构，EEG 的低信噪比、源混叠和跨被试通道差异可能使 slots 难以形成稳定分工。若探索迁移，可保留分配加权初始化与注意力对齐机制，改造 EEG token 化和特征目标，并在固定被试划分及训练预算下，对照普通掩码重建与加入分配约束的版本，检验收益是否稳定。该假设并非原论文已验证结果，已有 EEG 相关工作尚未检索确认。