一、背景与动机：为何提出 ConvNeXt？
1.1 Vision Transformer（ViT）的崛起
自 2020 年 Vision Transformer（ViT）提出以来，基于自注意力机制的纯 Transformer 模型在大规模图像识别任务中展现出超越 CNN 的性能。随后，Swin Transformer 等改进版本通过引入局部窗口注意力、层次化结构等设计，使其适用于密集预测任务（如检测、分割），进一步巩固了 Transformer 在计算机视觉中的主导地位。
1.2 CNN 是否已过时？
尽管 ViT 表现优异，但 CNN 仍具多项优势：
- 归纳偏置强：局部性、平移不变性、权重共享等天然适合图像数据。
- 训练更稳定：对小数据集更鲁棒，不依赖大规模预训练。
- 推理效率高：尤其在边缘设备或低 batch size 场景下，CNN 的 FLOPs 和延迟通常优于 ViT。
然而，传统 CNN（如 ResNet）的设计范式自 2015 年以来变化甚微，而 ViT 引入了许多“现代化”组件（如 LayerNorm、GELU、大感受野、倒残差等）。因此，一个核心问题浮现：
如果将 ViT 的成功设计思想“反向移植”到 CNN 中，能否构建一个既保留 CNN
