近年来，随着人工智能的飞速发展，计算机视觉与自然语言处理的交叉领域——指代表达理解（Referring Expression Comprehension，REC）受到了广泛关注。REC旨在根据自由形式的自然语言描述，在图像中定位目标对象。尽管当前最先进的方法已经取得了令人印象深刻的性能，但它们对图像进行密集感知，这会将与语言查询无关的冗余视觉区域包含进来，从而导致额外的计算开销。
为了解决这个问题，浙江大学的李玺团队提出了一种名为ScanFormer的新颖方法。ScanFormer是一种粗到细的迭代感知框架，它能够通过自顶向下的方式，迭代地利用图像尺度金字塔来提取与语言相关的视觉块。在每次迭代中，通过该团队设计的信息性预测来丢弃不相关的块。此外，他们还提出了一种针对丢弃块的块选择策略，以加速推理。
ScanFormer的主要贡献在于它能够有效地消除与语言无关的冗余视觉区域，从而提高模型的效率。通过在广泛的基准数据集上进行实验，包括RefCOCO、RefCOCO+、RefCOCOg和ReferItGame，该团队证明了ScanFormer的有效性。ScanFormer在准确性和效率之间取得了良好的平衡，并取得了最先进的性能。
然而，ScanFormer也存在一些局限性。首先，它目前只支持一次定位一个目标对象，这限制了它在需要同时定位多个对象的应用中的适用性。其次，尽管ScanFormer在准确性和效率之间取得了良好的平衡，但在某些情况下，它可能仍然不如其他方法准确或高效。
