面向域适应语义分割的掩码表示建模

基于摘要分析。本文研究从有标签源域向无标签目标域迁移的语义分割，提出 Masked Representation Modeling（MRM），直接在潜在空间执行表示掩码与重建，以高层语义特征而非像素或视觉 token 为重建目标，使辅助自监督任务更贴近分割目标。 机制上，MRM 引入轻量辅助模块 Rebuilder，与分割网络联合训练，并在推理时移除。作者称该设计可集成到 DeepLab、DAFormer 等标准架构，且不增加测试时开销。相较于重建低层信号的掩码建模方法，其主要区别在于重建对象的语义层级；具体掩码策略、重建目标如何生成、损失形式及梯度路径尚未验证。 作者报告，在分别与四种代表性基线结合的评估中，MRM 在 GTA → Cityscapes 和 Cityscapes → Synthia 两个 UDA 迁移设置上，平均分别提升 +2.3 mIoU 和 +2.8 mIoU。摘要未提供各基线名称、逐项结果、数据划分或方差信息；实验协议、消融及统计信息尚未验证，不能据此判断不同架构上的收益是否一致。 平台推测（待验证）：其可迁移假设是，用高层表示重建而非原始波形重建，为 EEG 跨被试域适应提供辅助监督。原方法依赖图像空间结构、有标签源域及无标签目标域；迁移时可借鉴潜在空间掩码与训练期 Rebuilder，但需重新定义 EEG 的时间、通道或片段表示，以及与下游任务一致的重建目标。低信噪比、通道布局差异和小样本可能使重建偏向被试特征或噪声，而非任务语义。一个可证伪的小实验是在固定 Cross-subject 划分、仅源域标签可用于训练的条件下，对比同一域适应基线有无该辅助任务，并核对目标任务指标与推理开销。已有 EEG 相关工作尚未检索确认。