该框图A区（S1视觉主干：掩码HOG预测）输入未标注图像裁剪为224×224，经8×8单元格提取梯度，生成14×14 HOG patch并随机遮掩60%。模型采用12层ViT主干与4层临时解码器，训练目标并非重建原始像素，而是利用被遮掩位置的MSE特征重建损失来预测HOG。训练完成后丢弃解码器，仅保留主干权重（θ_v）进入后续阶段。B区（S2双分支：伪框回归+特征一致性）冻结S1主干，对图像施加两种随机增强生成视图x1和x2。数据流分为两支：DINO头A（Student）进行伪框回归（位置/IoU）并输出特征；DINO头B（Teacher）通过EMA更新权重，与A进行特征对齐对比学习。该阶段输出检测头初始权重（θ_D）。C区（S1/S2训练信号与权重流向）以表格形式明确对比了两阶段。S1优化信号为HOG重建MSE，实际更新ViT与解码器，仅保留主干预训练权重，强调不应误读为图像像素重建；S2优化信号为伪框回归与特征对比，更新DINO头等，保留检测头权重，强调不应误读为主干全量更新。本图内容适合计算机视觉算法工程师、工业视觉检测研发人员、自监督学习与特征重建研究者，以及关注模型微调策略的研究生阅读参考。