vit

PointDiT提出了一种极简的像素空间扩散变换器，使用纯ViT架构进行单目几何估计，在超越复杂基于潜空间模型的同时，在模糊区域保持简洁性和鲁棒性。

SignX提出了一种用于连续手语识别的新框架，该框架将异构姿态格式统一到紧凑的潜在空间中，并在像素空间基线基础上实现50倍计算加速，同时达到最先进的准确率。