#V-JEPA

V-JEPA是一种创新的视频联合嵌入预测架构，专为自监督学习而设计。该方法仅通过观察VideoMix2M数据集的视频像素进行训练，不依赖预训练图像编码器、文本信息、负样本、人工标注或像素级重建。V-JEPA生成的视觉表征具有多功能性，能够在各种下游视频和图像任务中实现优异性能，无需对模型参数进行微调。其特征预测展现出良好的时空一致性，并可通过条件扩散模型转化为可解释的像素表示。