CRL：面向无需 gloss 标注的手语翻译与检索的内容与上下文表征学习

基于摘要分析。本文研究无需 gloss 标注的手语表征学习，提出摘要中称为 C²RL 的预训练范式，通过联合优化 Implicit Content Learning（ICL，隐式内容学习）与 Explicit Context Learning（ECL，显式上下文学习），支持 Sign Language Translation（SLT）和 Sign Language Retrieval（SLRet）。原标题使用 CRL，摘要中的方法名为 C²RL，此处保留来源差异。 作者认为，仅依靠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。ICL 旨在捕捉交流内容中的细微差别、强调、时序和节奏；ECL 则关注手语的上下文含义及其对应句子表达。摘要明确提出联合优化，但具体损失函数、编码结构、训练流程及两部分如何交互尚未验证。无需 gloss 标注也不等于无需视频—文本监督。 在无需 gloss 标注的 SLT 任务中，作者报告 BLEU-4 在 P14T、CSL-daily、OpenASL 和 How2Sign 上分别提升 5.3、10.6、6.2 和 1.3 分；在 SLRet 任务中，作者报告 R@1 在 P14T、CSL-daily 和 How2Sign 上分别提升 8.3、14.4 和 5.9，摘要未明确其数值单位。作者还报告为 OpenASL 的 SLRet 任务建立了新基线。上述增益对应的对照方法、数据划分及具体评估设置未在摘要中说明，不能据此跨数据集直接比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若具有与语言表达配对的 EEG 数据，将内容与上下文分开建模可能为语言解码提供研究假设，但手语视觉特征与低信噪比神经信号并不等价，跨被试差异和有限配对数据可能使该机制失效。现阶段应先核对 ICL/ECL 的具体目标及其对视频时序和文本监督的依赖，再判断哪些模块可复用、哪些需要改造；尚未检索确认已有 EEG 相关工作。