现代计算机视觉处理大图像的方式有降采样和裁剪，但会导致信息和上下文损失。研究人员提出了xT框架，可以在GPU上对大图像进行全局上下文与局部细节的建模。通过引入嵌套分词方案，可以提高准确度和F1分数，适用于大图像中的上下文相关分割。