VITの性能がCNNより優れている理由として、本論文が「大きな受容野(large receptive fields)」を注目。 主流の小さなカーネルではなく、いくつかの大きな畳み込みカーネルで純粋なCNNモデルRepLKNetを構築した。詳しく言えば、Swin TransformerのMHSTを大きな畳み込みカーネルに置き換えた。 結果として、大幅にCNNとVITの間の性能差を縮めた。