Vision Transformer は、多くのタスクで大活躍する一方、計算量が多い。ViTの計算量は、内部で扱うTokenの数で計算量を削減できるものの、すべての画像において一意の最適な値は存在しない。本論文では、微分可能かつパラメータフリーの、 Adaptive Token Sampler を提案。既存の学習済みViTにそのまま付け加えて使用できる上、導入した上で学習を行うことも可能。