一、为什么需要 Local Attender Operator？
在视觉特征上采样领域，早期方法（如 LiFT）采用迭代 2× 上采样，但多次迭代会导致语义漂移；近期方法（如 LoftUp、JAFAR、AnyUp）转向 QKV 交叉注意力，虽然效果提升，但计算复杂度随 token 数量呈 O(N²) 增长，显存和时间开销巨大。
UPLiFT 论文提出：迭代上采样仍然可以与交叉注意力方法竞争，甚至实现更优的性价比。其核心是 Local Attender Operator（LAO），一种全新的局部注意力池化机制：
- ❌ 不使用 Query-Key-Value 公式
- ✅ 完全基于局部相对位置定义注意力
- ✅ 计算复杂度 O(n·N)，n 为邻域大小（常数），N 为 token 数 → 线性缩放
- ✅ 天然保持特征分布一致性，避免语义漂移
二、LAO 做了什么？
1️⃣ 核心思想
LAO 是一种由高分辨率引导特征（Guide）指导低分辨率特征（Value）进行局部重采样的算子。
- Guide 特征：提供空间引导信号（高分辨率）
