本文介绍了一种新的分块式遮蔽图像建模（BIM）框架，旨在降低遮蔽图像建模（MIM）的计算资源需求，同时保持高性能。该框架支持多个深度神经网络的并发训练，降低计算成本。研究还探讨了双流视觉模型的开发，模拟人类视觉系统的处理方式，提升计算机视觉的鲁棒性和效率。此外，MIM与监督训练结合，改善了下游任务的学习表示质量，展现出在细粒度分类任务中的优势。