一、论文背景与核心挑战 传统Vision Transformer（ViT）通过全局自注意力机制建模图像空间关系，在图像分类等任务中取得突破性成果。然而，ViT存在两大核心缺陷：其一，全局注意力计算复杂度随图像分辨率呈平方级……
