Visual SSL / representation · P3 · 2026-06-04

Where Do We (Not) Need：它和通用视觉自监督的关系在于：系统比较 image-pretrained 与 video representation 的 PEFT/probing，回答低资源视频适配中 temporal context 放在哪里

中相关；详见方法、贡献和实验边界。

Where Do We (Not) Need Temporal Context in Low-Resource Video Task Adaptation?　arXiv　原文链接

编号2606.03837 优先级P3 类别Visual SSL / representation 会议arXiv 方法系统比较 image-pretrained 与 video representation 的 PEFT/probing，回答低资源视频适配中 temporal context 放在哪里来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：系统比较 image-pretrained 与 video representation 的 PEFT/probing，回答低资源视频适配中 temporal context 放在哪里。中相关；详见方法、贡献和实验边界。

**d) Distributed Temporal Context Figure 1: Distributing Temporal Context**d) Distributed Temporal Context Figure 1: Distributing Temporal Context. Existing works place temporal modeling in a single component: either the PEFT modules (a), where a frame-wise backbone is combined with temporal adaptation, or in the backbone (b), where temporally-aware representations are adapted by static PEFT and probes. We instead allow temporal modeling across backbone, PEFT and probe simultaneously (c) and study how temporal context should be distributed across components (d).这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Where Do We (Not) Need 的方法或实验，请结合正文精读段落一起看。

**a) Static Backbone + Temporal Adaptation**a) Static Backbone + Temporal Adaptation这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Where Do We (Not) Need 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：系统比较 image-pretrained 与 video representation 的 PEFT/probing，回答低资源视频适配中 temporal context 放在哪里。

方法拆解

系统比较 image-pretrained 与 video representation 的 PEFT/probing，回答低资源视频适配中 temporal context 放在哪里

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。