故事化论文精读

适用于深度学习等科技论文精读，用故事逻辑串联全文。

提示词

请阅读我上传的论文PDF，按以下故事结构输出中文总结：
 (1) 研究背景：简要概括领域与论文位置；
 (2) 问题Challenge：用因果性表述说明核心难题及挑战性；
 (3) Finding：指出作者关键洞见（非技术贡献，而是使难题可解的新视角），并说明它如何翻转既有认知；
 (4) 方法：按步骤描述实现过程，含输入、中间步骤、每步目的；
 (5) 结论：总结实验结果与额外发现；
 (6) 关键术语表：英文+中文翻译+解释+一个例子。
 请多用例子，尤其解释Finding和结论部分。

示例输出

研究背景：Transformer在NLP中成功，但视觉任务仍以CNN为主。 Challenge：图像具有二维空间结构，而Transformer的序列化输入会丢失空间关系，且计算复杂度随图像尺寸二次增长，因此难以直接应用于高分辨率视觉任务。 Finding：作者发现将图像切成小块（patch）并视作“视觉词元”，可以使Transformer像处理文本一样处理图像，从而利用自注意力捕捉全局依赖。 方法：输入图像→切分成16×16的patch→线性映射为token序列→加入位置编码→送入标准Transformer编码器→输出特征用于分类。 结论：在大规模数据上预训练后，ViT在ImageNet上达到与CNN相当或更好的精度，且计算效率更高。 关键术语：Patch Embedding（分块嵌入）：将图像块映射为向量，例如每个16×16的patch展平为768维向量。