一、开篇：纯卷积的复兴与形状建模困境
1.1 2025-2026：卷积神经网络的重生之年
2026年的计算机视觉领域正在经历一场深刻的结构性转变。在Vision Transformer（ViT）和Swin Transformer主导了数年的话语权之后，纯卷积神经网络正在以一种令人瞩目的方式强势回归。这场“文艺复兴”的中心，正是由Meta AI（FAIR）团队提出的ConvNeXt系列架构——通过将Transformer的设计哲学逐步注入传统卷积网络，ConvNeXt成功打破了纯CNN的性能天花板，在ImageNet上达到了87.8%的top-1准确率，并在COCO检测和ADE20K分割任务中超越了Swin Transformer，同时保留了标准卷积网络的简洁性和高效性。
进入2025-2026年度，ConvNeXt的进化速度进一步加快。2025年8月，Fang Wang等人发布了E-ConvNeXt，通过引入跨阶段部分连接（Cross Stage Partial Connections）机制，将模型的网络复杂度降低了高达80%，其mini版本在仅0.9 GFLOPs的计算量下达到78.3%的Top-1准确率，small版本在3.1 GFLOPs下达到81.9%。2026年3月，Taesung Kwon等人在CVPR 2026上发表了FCDM（Fully Convolutional Diffusion Model），以类似ConvNeXt的纯卷积骨干替代Transformer扩散模型骨干，仅使用DiT-XL/2的50% FLOPs就实现了竞争性生成性能，且训练只需4块GPU。2026
