本文介绍了DualToken-ViT，一种轻量高效的视觉变换模型，通过融合局部和全局信息，使用位置感知的全局标记来改进图像的位置信息。实验证明，DualToken-ViT在图像分类、物体检测和语义分割任务上表现出色，在ImageNet-1K数据集上准确率分别达到了75.4%和79.4%。同时，在0.5G和1.0G的FLOPs下，1.0G FLOPs的DualToken-ViT模型的性能超过了LightViT-T模型0.7%。

本文提出了一种新的度量方法和ACM框架，用于从多样化的节点异质性情况中提取更丰富的局部信息。ACM-augmented基线在基准节点分类任务中实现了显着的性能提升，超过大多数最新的GNN，而不会带来显着的计算负担。

本文提出了一种全卷积网络用于迭代非盲去卷积，能够学习自适应的图像先验，保持局部和全局信息。经评估表明，该方法在质量和速度方面表现优异，可胜任同类算法。