ParamCrop：用于视频对比学习的参数化立方体裁剪

基于摘要分析。该研究针对视频对比学习中随机裁剪所产生的视图差异分布在训练期间保持不变的问题，提出 ParamCrop，以可学习的时空裁剪逐步调节两个增强视图的差异，改善下游任务所用的表示。 核心机制是通过可微的 3D 仿射变换裁剪视频中的三维立方体区域。ParamCrop 与视频骨干网络同时训练，其对抗目标促使裁剪模块增大对比损失，逐渐减少两个裁剪视图的共享内容。与固定分布的随机裁剪相比，关键变化是让增强难度随训练自适应演化；摘要未给出具体损失形式、裁剪约束或训练稳定化措施。 作者报告，在所评估的多个对比学习框架和视频骨干网络上，这种自适应、渐进式视图差异有利于学习泛化表示并改善下游任务表现。摘要未提供数据集、任务划分、基线配置及指标数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，EEG 自监督对比学习也可能受益于随训练调整的视图差异，而非始终采用固定裁剪分布。可复用的是可学习增强与编码器之间的对抗训练思路；视频的三维空间结构不能直接等同于 EEG 的通道—时间结构，需要改造裁剪参数化方式，并约束任务相关时段和通道信息的保留。低信噪比、跨被试差异及小数据条件下，最大化视图差异可能删除有效信号或放大伪迹。一个可检验的小实验是在固定编码器、数据划分及训练预算下，对比固定随机时间裁剪与受限可学习时间裁剪，并分别核对被试内、跨被试下游表现及训练稳定性。已有 EEG 相关工作尚未检索确认。