掩码自编码器预训练

MuViT：用于跨尺度学习的多分辨率视觉 Transformer

MuViT: Multi-Resolution Vision Transformers for Learning Across Scales in Microscopy

把不同分辨率下的 patch 嵌入统一的 world-coordinate 体系，并把 RoPE 扩展到该坐标上，使单个编码器内的注意力能同时整合大范围上下文与高分辨率细节；这套坐标化位置编码思路可直接迁移到全切片病理、遥感大幅面图像等任意多尺度视觉任务。