该文章介绍了一种基于迭代扫描的指代表达理解模型ScanFormer，通过图像金字塔逐层扫描图像，过滤无关区域，实现任务相关区域的关注。实验结果显示，该模型在多个数据集上取得了接近最先进的性能，并具有实时推理速度。文章还对模型的patch选择和定位精度进行了统计和可视化分析。