ViT（视觉变换器）通过将图像分割为小块并利用自注意力机制，成为计算机视觉领域的重要模型。尽管缺乏先验知识，但在大数据集上表现优越。Swin Transformer在此基础上进一步改进，适应多尺度特征，提升检测和分割效果。

本研究提出CFIS-YOLO模型，旨在解决木材缺陷检测中的高成本和主观性问题。该模型通过增强结构和新损失函数，提高了多尺度特征融合和小物体定位能力，在公共数据集上达到了77.5%的mAP，验证了其在资源受限环境中的有效性。

本研究提出Nes2Net架构，直接处理高维语音特征，显著提升多尺度特征提取能力，实验结果显示性能提升22%，计算成本降低87%。

本研究提出了一种基于注意力的多尺度时间融合网络，用于多模式过程中的故障诊断。该方法通过提取多尺度特征和时间注意力机制，提高了诊断准确性，实验结果表明其性能优越且模型体积小。

本研究针对视觉复杂性建模中的可解释性问题，提出了多尺度特征以克服传统模型的局限，并引入新的SVG数据集，强调数据特性在理解视觉复杂性中的重要性。

本研究提出了一种新型肺结节分割模型S3TU-Net，结合多维空间连接和超像素视觉变换器，利用结构化卷积块和多尺度特征融合技术，显著提升了分割性能。实验结果显示，S3TU-Net在LIDC-IDRI数据集上表现优于现有方法。

本研究提出了VMGNet模型，旨在解决深度学习机器人抓取技术的高计算复杂度问题。该模型通过引入视觉状态空间，实现线性计算复杂度，并通过多尺度特征融合提升准确性。实验结果表明，抓取成功率达到94.4%。

本研究提出了一种尺度感知图注意力视觉变换器（SAG-ViT），旨在提高视觉变换器在多尺度特征表示中的效率。该模型通过优化节点嵌入，在图像分类任务中显著提升了性能。

本文提出了新框架MSTA3D，旨在解决3D实例分割中的过度分割问题，尤其是大物体的分割。MSTA3D结合多尺度特征、双注意力机制、箱体查询和正则化，实验结果在多个数据集上优于现有方法。

Transformer在图像超分辨率任务中表现优异，但传统方法计算复杂度高。论文提出HiT-SR策略，通过分层窗口和空间-通道相关方法，提高多尺度特征聚合效率。HiT-SR利用扩展窗口和线性复杂度方法，改善长距离依赖。实验显示，HiT-SR在性能、参数和速度上优于现有方法，速度提升约7倍。

本文介绍了多种医学图像分割方法，如SA2-Net、MFA-Net、MCANet和MS-Twins，利用多尺度特征学习和注意力机制提高分割精度。这些新模型在处理复杂医学图像时表现优于传统方法，能够更好地捕捉上下文信息和细粒度特征。

本研究提出了一种新型图像匹配方法Dual-Branch Transformer，利用不同尺寸的图像块学习多尺度特征，从而提升图像匹配性能。该方法在ImageNet1K数据集上表现优异，具备强大的特征提取能力和较低的计算复杂度。

本文提出了一种新型的像素级全景分割方法，适用于卫星图像时间序列，利用时序注意力机制提取多尺度特征。同时，开发了公开的卫星图像数据集PASTIS，并展示了该方法在语义分割任务中的优越表现。

本文介绍了一种基于深度学习的单图像去反射新方法，该方法利用位置感知和多尺度特征，显著提高了反射去除效果。研究表明，该方法在多个数据集上优于现有技术，具有良好的应用前景。

本文探讨了视觉地点识别（VPR）的新定义及其挑战，介绍了基于Transformer的模型TransVPR，提升了多尺度特征聚合和全局视觉特征的性能。研究提出了通用VPR解决方案，显著提高了识别精度，并分析了图像分辨率对VPR的影响，旨在推动VPR在商业应用中的发展。

本文提出了一种基于图卷积神经网络的三维人体姿态估计方法，结合多尺度特征和迭代图滤波，优化了计算效率和精度。实验结果表明，该方法在多个基准数据集上超越了现有技术，具有实际应用价值。

研究表明，深度显著性模型在视觉对象识别中优于传统模型，尤其在自然图像上。通过卷积神经网络提取多尺度特征并结合上下文信息，能有效提高视觉显著性预测的准确性。该方法适用于资源受限的应用，并在多个基准测试中表现良好。

FocalClick 提出了一种交互式分割模型，能够通过快速推理实现目标区域的粗细分割，显著降低 FLOP，并优化点击率预测的无模型预训练框架。研究还介绍了多尺度特征传播网络和基于变分推断的概率融合网络，提升了语义分割的性能和鲁棒性。

本文研究了卷积神经网络中的多尺度特征表示，提出了新型网络架构SFANet和MAFFSRN，以提高图像分割和超分辨率性能。实验结果表明，这些方法在多个数据集上表现优异，且参数需求和计算成本较低。

本文提出了一种新型无监督测试时训练（TTT）技术，通过最大化多尺度特征图与离散潜在表示之间的相互信息，整合到标准训练中。实验结果表明，该方法在不同测试时适应基准上表现出竞争力的分类性能。