ViTの精度を向上させる方法は次の通り：Binary Cross Entropy, Stochastic Depth, LayerScale, 3-Augment (Grayscale, Solarization, GaussianBlur), Simple Random Cropping, Lower Resolution

ImageNet classificationやADE-20k semantic segmentationに対して効果を検証、シンプルなViTと学習の見直しにより、従来の強力な自己教師あり学習による事前学習手法（MAE/BEiT）を用いずともそれらと同等の精度まで到達することを明らかにした。また、8GPUsでも比較的サイズの大きなViT-に対しても学習できるようになっている。

ViTに関する分野の関心は非常に高い状態にある。著者らはViTのより良い学習方法を探り、実際に自己教師による事前学習がなくとも良好な精度を叩き出すことを明らかにした。