본 논문은 기존의 마스크 모델링이 무작위 마스크에 의존하는 한계를 극복하고, 비디오 및 오디오 데이터의 공간적, 시간적, 스펙트럼적 특성에 맞춰 구조화된 노이즈 기반 마스크를 제안합니다. 흰색 노이즈를 필터링하여 다양한 색상 노이즈 분포를 생성함으로써, 수작업 휴리스틱이나 데이터 접근 없이 모달리티 특유의 패턴을 보존하는 구조화된 마스크를 생성합니다. 이 방법은 추가적인 계산 비용 없이 마스크 비디오 및 오디오 모델링 프레임워크의 성능을 향상시키며, 표준 및 고급 마스크 모델링 방법 모두에서 무작위 마스크보다 일관되게 향상된 성능을 보입니다. 이는 표현 학습을 위한 모달리티 인식 마스크 전략의 중요성을 강조합니다.