本研究探讨了遮蔽图像建模（MIM）在计算机视觉中的进展，提出了A^2MIM和MaskAlign等改进方案，提升了分类、检测和分割任务的表现。同时，研究引入了新的对称掩蔽策略SymMIM，显著提高了训练效率和准确率，解决了传统方法的不足。

本文介绍了遮蔽图像建模（MIM）框架及其在自监督学习中的应用，强调其在视觉任务中的优越表现。研究表明，MIM方法在不同数据规模和模型条件下均能提高模型性能，并探讨了其在计算机视觉和自然语言处理中的潜力与局限性。

医学图像分割（MIS）在医学图像分析中至关重要。本文探讨了多专家注释对模型适应性的提升，尤其在MRI脑分割任务中，通过轻量级微调增强模型性能。此外，研究了遮蔽图像建模技术在医学图像分析中的应用，发现其在监督学习中更快且精度更高。提出的mDPPM方法利用无标签数据进行自我监督学习，展示了在肿瘤和多发性硬化症数据集上的优越性能。

本文介绍了多种视觉转换器和预训练策略在三维检测和医学图像分析中的应用，包括GeoMIM、M$^{3}$3D和MIM。研究表明，遮蔽图像建模技术能提高学习效率和精度，MIM方法在不同任务中表现优异。此外，提出的多模态训练方案4M和Mask3D方法也展示了在视觉基础模型和场景理解任务中的潜力。

CoMAE是一种单模型自监督混合预训练框架，通过交叉模态对比学习和遮蔽图像建模来统一自监督表示学习算法。CoMAE在SUN RGB-D和NYUDv2数据集上的实验表明，其预训练模型具有与大规模和监督RGB数据集预训练方法相竞争的效果。