论文主要研究 VIT 的优化方法，用于解决其参数量大、计算开销高的不足。这个论文提出 Edge-RecViT 模型，包含 token-adaptive block 和 recursive transformer block。

模型整体框架如下图所示，输入图像划分为 patch，转化为 token，然后输入Edge-Aware Ranker。

（1）Edge-Aware Ranker： 结构为MLP，输出为1~12的值，即每个 token 在 Transformer block 迭代次数。本模块精准识别边缘、纹理、轮廓等语义丰富的 token，进行多轮特征提取，分配更多迭代次数。简单背景token提前终止计算，削减冗余计算。

（2）Recursive Transformer Block： 采用头 - 共享中间层 - 尾三段式极简设计，仅 3 组独立参数。 头部层（${\theta }_h$）：所有令牌统一经过，完成初始特征变换。递归中间层（${\theta }_r$）：全局参数共享，根据 EARR 分配的深度，令牌迭代对应次数；高信息边缘令牌迭代次数更多，逐步精细化特征。尾部层（${\theta }_t$）：仅执行满深度（12 层）的令牌进入，聚合高层特征用于分类。

相较于现有 token-adaptive 方法，本文模型精度更高、参数量与计算量更低。