一、技术背景与核心挑战 传统Vision Transformer（ViT）通过全局自注意力机制捕捉图像特征，但存在两大问题：一是计算复杂度随图像分辨率平方增长，难以处理高分辨率输入；二是缺乏层次化特征表示，与卷积神经网络……
