Each language version is independently generated for its own context, not a direct translation.
这篇论文就像是在给计算机视觉领域的一群“老古董”提了一个大胆的建议：别再把图片“压缩”了，让我们直接看“像素”吧！
为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“看地图”和“看照片”**的故事。
1. 过去的做法：把照片切成“马赛克”
想象一下，你有一张非常高清的 4K 照片（比如 224x224 像素）。
以前的计算机视觉模型（比如 ViT，视觉 Transformer）觉得：“哇，这张图太细节了，处理起来太累！不如我把这张图切成很多块，比如每块 16x16 像素，然后把每一块当成一个‘单词’（Token）。”
- 比喻：这就像你有一本厚厚的书，为了快速阅读，你把每 16 个字强行合并成一个“词块”。
- 原本 224x224 的图片有 50,176 个像素点（字）。
- 切成 16x16 的块后，只剩下 196 个“词块”。
- 后果：虽然读得快了（计算量小了），但你丢失了很多细节。就像把“一只在草地上奔跑的金色小狗”压缩成“一个棕色物体”，你再也分不清它是狗还是猫，是跑还是跳了。论文作者认为，这种**“压缩”**导致了信息的永久丢失。
2. 作者的发现：越小越好，直到“像素级”
作者做了一个疯狂的实验：他们不断把切块的尺寸变小。
- 从 16x16 切成 8x8，性能变好了。
- 切成 4x4，更好了。
- 切成 2x2，甚至 1x1（也就是不切块，直接看每一个像素），性能竟然还在提升！
核心发现（Scaling Law）：
这就好比**“分辨率越高，看得越清”**。
以前大家认为，为了算得快，必须牺牲清晰度（压缩）。但作者发现，只要你的电脑够强（现在的 GPU 很强），直接把每一个像素都当作一个“单词”喂给模型，效果是最好的。
- 在 ImageNet 测试中，他们把序列长度从 196 个词，直接拉到了 50,176 个词（也就是 5 万个像素点），准确率从 82.6% 提升到了 84.6%。
- 这证明了：图片的价值在于它包含的每一个像素，而不是被压缩后的“大概意思”。
3. 一个意外的惊喜：不需要“翻译官”了
在传统的深度学习模型里，通常需要一个“解码器”（Decoder）。
- 比喻：如果编码器（Encoder）把图片压缩得太厉害（比如只给了你几个大词块），那么解码器就像一个**“翻译官”**，它得根据这几个词块，努力猜出图片里每个像素是什么（比如猜出哪里是树，哪里是路）。
- 新发现：当作者把压缩率降到最低（直接看像素）时，编码器自己就把细节看得清清楚楚了。这时候，那个“翻译官”（解码器）就变得多余了！
- 意义：这意味着未来的模型可以变得更简单，不需要复杂的“解码”步骤，光靠一个强大的“编码器”就能直接搞定所有任务（比如分割、检测）。
4. 为什么以前没人这么做？（硬件的进步）
你可能会问：“既然直接看像素这么好，为什么以前不这么做？”
- 原因：以前电脑太慢了。
- 把 5 万个像素都算一遍，计算量是巨大的（就像要把 5 万个单词都读一遍，而不是只读 196 个词块）。
- 以前的显卡（GPU）内存不够，算着算着就“爆”了。
- 现在：随着硬件（如 A100 显卡）和算法（如线性复杂度的 Mamba 架构）的进步，处理这 5 万个“单词”已经变得可行且高效了。
5. 总结：未来的方向
这篇论文告诉我们一个重要的趋势：
“一张图片，价值 50,176 个 Token（甚至更多）。”
以前我们为了省算力，不得不把图片“糊弄”一下（压缩）。现在算力上来了，我们应该回归本质，不再压缩，让模型直接学习每一个像素的细节。
一句话总结：
这就好比以前我们为了快速浏览，只读书的“目录”和“摘要”；现在既然时间（算力）充裕了，我们决定逐字逐句地精读，结果发现，这样理解得才最透彻，而且连“翻译官”（解码器）都不需要了！
在收件箱中获取类似论文
根据您的兴趣定制的每日或每周摘要。Gist或技术摘要，使用您的语言。