Self-Supervised Vision Lab
视觉自监督学习实验室
上传一张图片，在玫瑰粉、香槟金和软糖色的实验台里观察旋转预测、MAE 遮挡重建和 SimCLR 对比学习。 页面会展示原图、变换或遮挡后的图像、模型输出结果，并用 loss / accuracy 曲线解释自监督信号如何起作用。
中文粉色系交互页面
旋转预测预任务
MAE patch mask 重建
SimCLR 正负样本对比
不需要人工标签角度、遮挡位置和增强视图都由程序自动生成，标签来自数据本身。
两种设置对比比较不同遮挡比例、不同增强策略，以及训练前后的曲线变化。
纯前端可外链所有计算都在浏览器里完成，打开 Hugging Face Space 就能互动。
输入原图
变换后的图像
模型输出：尝试转正
loss / accuracy 变化
这个实验单独展示图像变换类自监督预任务：旋转预测、拼图重排、图像补全、颜色化。每种模式都会显示输入图像、变换或遮挡后的图像、模型输出结果，并给出 loss / accuracy 的模拟训练曲线。
输入原图
变换 / 遮挡后的图像
模型输出结果
loss / accuracy 变化
输入原图
设置 A：遮挡输入
设置 A：模型重建
设置 B：遮挡输入
设置 B：模型重建
两种遮挡比例的 loss
输入原图
设置 A：增强视图 1
设置 A：增强视图 2
负样本
InfoNCE loss / 相似度变化
这个区域只做 A/B 设置对比：可以单独比较不同遮挡比例、不同数据增强方式，或训练前后效果。它和前面的实验分开，方便直接回答“哪种设置更好”。