新規手法については検討していないが、ViT+SSLに関する知見を共有している。その結果、ViTはCNNよりも学習安定性があることや、シンプル・高精度・スケーラビリティに優れたMoCoV3を提案した論文として位置づけられている。

学習安定性のテクニック、その他構造の組み合わせ探索、MoCoV3の適用などにより、より少ない教師においても高精度なViTの学習に成功した。最終的には添付表に示すように、画像：ImageNet (1.28M images) / 教師：MoCoV3により学習されたViT-LargeによりImageNet-1kのtop-1 accuracyが84.1%を記録している。

Abstractの冒頭が"This paper does not describe a novel method."にも関わらずICCVにオーラルとして採択されている。調査により新しい知見を共有している部分が大きいとみられる。