CRL：面向无 gloss 标注手语翻译与检索的内容与上下文表征学习

基于摘要分析。该研究面向无需 gloss（手语词级标注）的手语表征学习，通过联合学习交流内容与上下文语义，改善手语视频在翻译（SLT）和检索（SLRet）任务中的表示。原标题使用 CRL，摘要将提出的预训练范式称为 C²RL；名称对应关系需以正文核对。 作者认为，仅依赖视频与文本的非单调语义对齐，难以充分编码手语视频中复杂且依赖上下文的特征。C²RL 联合优化 Implicit Content Learning（ICL）与 Explicit Context Learning（ECL）：ICL 关注交流内容，包括手势的细微差别、强调、时序和节奏；ECL 关注手势的上下文含义及其向等价句子的转换。摘要未给出具体网络结构、损失形式或两项学习目标的实现方式，因此尚不能判断两者如何分工及避免表征冗余。 在无 gloss 标注 SLT 评估中，作者报告 BLEU-4 在 P14T、CSL-daily、OpenASL、How2Sign 上分别提升 5.3、10.6、6.2、1.3；在 SLRet 评估中，作者报告 R@1 在 P14T、CSL-daily、How2Sign 上分别提升 8.3、14.4、5.9，并称建立了 OpenASL 的 SLRet 新基线。摘要未明确上述增量对应的基线、数据划分和指标数值尺度，不能据此进行跨数据集效果排序，也不将 R@1 增量擅自解释为百分点。训练数据规模、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：内容与上下文分开建模的思路，可能对具有配对语言监督的 EEG 语言表征研究提供参考，但原研究对象是手语视频，不构成 EEG 或 BCI 有效性证据。迁移需改造视频编码及时间对齐模块，并核对配对文本监督与数据规模要求；低信噪比、跨被试差异和小样本可能使语义监督掩盖真实神经信息。可在固定数据划分与编码器容量下，小规模比较单一对齐目标和双目标训练的 Cross-subject 检索表现。相关 EEG 工作尚未检索确认。