自己教師あり学習がCLIPの表現能力を拡張できることを示したこと。

代表的なタスク：zero-shot transfer, linear classificationに対してSimCLR（自己教師あり学習）やCLIP（言語-画像表現学習）と比較する。結果は添付に示すようにCLIP/SimCLRを単体で用いるよりも精度として明らかに高いポイントまで到達することを明らかにした。

アイディアとしてはCLIPを自己教師あり学習（SimCLR）で調整するという至ってシンプルながら、手法として細部まで調整されていて完成度が高いこと、精度が大きく向上していることが採択の要因として挙げられる。