本文探讨了多种基于遮蔽自编码器（MAE）的遥感图像自监督学习方法，如SatMAE、SS-MAE和Cross-Scale MAE，展示了它们在多光谱和高光谱数据分类中的优越性。研究表明，这些方法通过改进的预训练框架和多模态数据融合，显著提升了遥感图像的分类和重建性能。

该研究提出了一种新型神经架构搜索框架，使用遮蔽自编码器进行搜索，无需标记数据。通过图像重构任务替代监督学习目标，能够有效发现网络架构。实验证明了该方法的有效性和鲁棒性，并提供了优于基线方法的经验证据。