将Transformer架构应用于图像处理的视觉模型，将图像分割为patches后作为序列输入Transformer，是DiT的核心骨干网络
ViTPose+是基于Vision Transformer架构的人体姿态估计模型，由悉尼大学等机构的研究团队开发，Huge是其中参数规模最大、精度最强的版本
Transformer架构被引入视觉生成（如Vision Transformer、DiT架构），使模型能更好理解图像不同区域间的全局关系，适用于多模态场景中文本token和图像token的统一处理