轻量全局多尺度感知
在保持MLP轻量优势的同时，首次引入金字塔式多尺度特征融合，使模型具备全局上下文与细粒度线索的联合建模能力，密集预测性能可比肩CNN与Transformer。
Qiuyu, Huang · Jie, Zequn · Ma, Lin · Li, Shen · Lai, Shenqi
IEEE Transactions on Image Processing 2025
首次作为轻量级MLP在ImageNet-1K上取得与最先进CNN和ViT相当的结果，证明全局多尺度建模可弥补轻量网络的容量不足。
在相近计算复杂度下，PFMLP超越最先进的CNN、ViT和MLP，说明其效率优势并非来自额外算力堆叠。
在目标检测、实例分割和语义分割上的实验表明，PFMLP学到的视觉表征可无缝迁移，无需任务特定改造。