本文介绍了一种视觉自监督学习方法——文本条件JEPA（TC-JEPA），该方法通过图像标题减少特征预测的不确定性。TC-JEPA利用细粒度文本调节器，使图像特征更具语义意义，从而提升下游任务的表现和训练稳定性。该方法在视觉理解和推理任务中优于对比学习，展示了新的基于特征预测的视觉-语言预训练范式。
本研究提出了一种名为ViTa的综合模型，结合3D心脏成像数据和患者健康因素，旨在提升心脏MRI的评估能力，支持多种任务，如心脏特征预测，为临床分析提供新可能性。
本文介绍了一种基于非对比学习的自监督学习方法3DTINC，旨在通过OCT数据增强3D光学相干断层扫描特征的学习，以帮助预测视网膜疾病的进展。研究表明，该方法在疾病预测中具有重要意义，并在视频检索和动作识别等任务中取得了先进成果。
完成下面两步后，将自动完成登录并继续当前操作。
