一、背景与核心问题：Transformer在视觉领域的局限性 传统Transformer模型（如ViT）通过全局自注意力机制直接处理图像，但其计算复杂度随输入分辨率呈平方级增长（O(N²)），导致高分辨率图像处理时显存消耗剧增。……
