既存のaffine image registration手法が、主にCNN-baseで局所的か全体的かどちらかに焦点を当てて、性能を発揮しにくいと主張。 本論文が畳み込み、VIT、 マルチレゾリューション戦略を用いて、局所も全体もカバーできるCoarseto-Fine Vision Transformer (C2FViT)を提案し、SOTA性能を得た。