本文旨在从减小训练存储开销和推理复杂度的角度，提出一种先将Vision transformers稀疏化，然后再训练的方法，从而实现一定的加速效果并保持较高的精度。

Jun, 2021

本研究提出了一种称为NViT的基于Hessian的全局结构裁剪方法，能够比以往更高效地利用ViT模型的参数，使得NViT-Base在ImageNet-1K数据集上具备了比DeiT-Base更高的准确率、更低的FLOPs和参数数量以及更快的运行速度。

Oct, 2021

该论文提出了一种名为UP-ViTs的统一结构修剪框架，可在保持模型一致性的同时，压缩Vision Transformer等模型的体积并提高模型的准确性。实验证明，UP-ViTs在Object Detection等任务中取得了不俗的性能，并在ImageNet上超越了传统的ViTs模型。

Nov, 2021

本论文提出了一种统一的ViT压缩框架，其中使用了修剪、跳跃层和知识蒸馏等三种有效技​​​​术，经过在ImageNet数据集上的实验验证，我们的方法在保证精度的前提下有效压缩Vision Transformers，比目前已有的压缩方法表现更优。

Mar, 2022

本文提出了一种从三个稀疏角度出发的训练框架 Tri-Level E-ViT，探索了数据冗余的减少，并证明了该框架不仅可以加速各种 ViT 架构的训练，还可以提高准确性。

Nov, 2022

我们提出了一种联合压缩方法，用于Vision Transformers（ViTs），旨在提供高准确性和快速推理速度，同时保持对下游任务的有利可传输性。具体来说，我们引入了不对称的令牌合并（ATME）策略来有效集成相邻的令牌，并引入一致的动态通道修剪（CDCP）策略来动态修剪ViTs中的不重要通道，大大提高了模型压缩效果。在基准数据集上进行的广泛实验表明，我们的方法在各种ViTs上都可以达到最先进的性能。

Sep, 2023

本文提出了一种基于激活感知的模型压缩方法，通过使用不同层的低秩张量逼近来减少Vision Transformers（ViTs）的参数数量，克服了内存限制，实现在内存受限环境中嵌入ViTs而不影响其性能。

Feb, 2024

本研究通过评估四种主要的模型压缩技术：量化、低秩近似、知识蒸馏和剪枝，解决了视觉Transformer在计算和内存需求方面的问题，并全面实验评估了这些技术及其组合在资源受限环境中优化ViTs的功效，证明了这些方法在模型精度和计算效率之间取得了平衡，为边缘计算设备的广泛应用铺平了道路。

Apr, 2024

我们提出了VTrans，一种迭代剪枝框架，通过变分信息瓶颈（VIB）原则引导，压缩所有结构组件，包括嵌入层、注意力头和层，以满足模型大小或计算约束，相比之前的方法实现了高达70%的压缩，并提出了更快的变体。在BERT、ROBERTa和GPT-2模型上进行的广泛实验证实了我们方法的效果，并使用基于注意力的探针定性评估模型冗余性和方法的效率。

Jun, 2024

本研究针对视觉变压器（ViTs）在训练和推理阶段压缩程度不匹配导致性能大幅下滑的问题，提出了一种模型算术框架，能够解耦这两个阶段的压缩程度。通过引入一种小插件——令牌补偿器（ToCom），可在推理时直接应用于任何下游模型，显著提升了模型的鲁棒性和性能。实验结果显示，在多个下游任务上，ToCom的应用可实现平均性能提高，验证了该方法的有效性。

Aug, 2024