【论文解读】PanoSwin：为全景理解打造的“全景版“ Swin Transformer

论文名片

项目	内容
论文名	PanoSwin: A Pano-style Swin Transformer for Panorama Understanding
作者	Zhixin Ling、Zhen Xing、Xiangdong Zhou、Manliang Cao、Guichun Zhou（复旦大学计算机学院）
发表	CVPR 2023，pp. 17755--17764；arXiv 2308.14726
一句话贡献	把 Swin Transformer 的每个零件按全景几何重写一遍：改移位窗口（补边界断裂）、加俯仰注意力（消畸变）、改位置编码（用球面距离），并且能在"全景模式"和"普通模式"之间切换
江湖地位	与 PanoFormer 并列为"全景 Transformer 改造"的两条代表路线；最大的特色是双模式 + 两阶段知识迁移，能白嫖 ImageNet 预训练

名字拆解 ：Pano （全景）+ Swin（Swin Transformer）= PanoSwin。

一、先搞懂：ERP 全景图到底"病"在哪？

全景图最通用的存法是 ERP（等距柱状投影）------把球面摊成一张"世界地图"。

类比：把地球仪剪开铺平。好处是好存好处理；坏处是两个地方被"剪坏"了。

论文点出 ERP 有两个根本问题：

病 1：边界断裂（Boundary Discontinuity）

① 左右断裂（side discontinuity）

全景图的最左边和最右边是同一条线 （360° 绕回来了），但摊平后被切成了图的两条边。

类比：地球仪上 0° 经线和 360° 经线是同一条；但做成世界地图后，它们跑到了纸的最左和最右------明明挨着，却被隔开了。

② 上下断裂（polar discontinuity）

球面的北极和南极各自是一个点，但摊平后：

北极被拉成了整条上边界；
南极被拉成了整条下边界。

类比：地球仪上北极是一个点；地图上北极被拉成了整条顶边。南极同理。

后果：窗口注意力（Swin 的核心）在划分窗口时，把本该相邻的区域切到了不同的窗口里，而且永远没机会在同一个窗口内相遇。

病 2：空间畸变（Spatial Distortion）

ERP 把球面摊平后，越靠近两极（天花板、地板），横向拉伸越夸张。

类比：世界地图上格陵兰岛看起来比非洲还大------因为它靠近北极，被拉爆了。

在全景图里：

赤道附近（画面中部）：比较正常；
两极附近（天花板、地板）：横向拉伸好几倍。

后果：同一个窗口、同一套卷积/注意力权重，在赤道看到的是"一小片真实世界"，在极区看到的是"一大片被压扁的世界"------特征被污染了。

前人的两条路，各有各的代价

路线	代表	代价
把卷积搬到球面	SphereNet、S2CNN、KTN	计算量巨大，且和平面图像不兼容
专门设计 patch 采样	Spherical Transformer、PanoFormer	采样方式对平面图像不适用 → 没法白嫖 ImageNet 预训练

PanoSwin 的关键判断（这是它最重要的立论）：

前人那些"特制采样"在平面图像上用不了 → 白白浪费了海量的平面图像知识（ImageNet）。

我们要设计一个既能处理全景、又能切换回普通模式的架构，这样就能先把 ImageNet 的知识学进来，再迁移到全景。

普通 Swin 的额外问题
Swin Transformer 靠移位窗口机制平衡了速度和精度，但用在全景图上还有两个问题：

窗口移位到左右边界就断了，没法环形衔接；
正方形窗口不适应垂直畸变，两极区域特征失真严重；
全景标注数据少，没法像普通图片那样大规模预训练，直接训效果差。

核心思路

给普通 Swin 从头到脚做全景定制改造：

把直线窗口改成环形窗口 ，解决左右边界不连续；
把固定正方形注意力改成俯仰自适应注意力 ，抵消垂直畸变；
设计两阶段知识迁移训练 ，先在普通图片上学通用视觉知识，再迁移到全景场景，解决全景数据少的问题。

打个比方：普通 Swin 是普通公路轿车，PanoSwin 就是给它换上了越野轮胎、四驱系统，还先在公路上练好基础驾驶技术，再去越野场景适应地形，既能用通用的驾驶经验，又能适配复杂的全景地形。

二、核心创新 ①：PSW（全景式移位窗口）------ 治"边界断裂"

Swin Transformer 的招牌是 Shifted Window（移位窗口）：把窗口错开半个，让相邻窗口能交换信息。

PanoSwin 说：Swin 那套移位不够用，得按全景的几何重做。 于是提出 PSW（Pano-style Shift Windowing） ，三步走：

第 1 步：水平平移（治左右断裂）

把整张图水平方向平移一段。

效果：原本被切在图最左、最右的两个区域，被挪到了中间，有机会落进同一个窗口。

第 2 步：切成两半 + 右半逆时针转 π（治北极断裂）

这是最巧妙的一步：

把全景图沿垂直方向切成左右两半；
右半部分逆时针旋转 π（180°）。

效果：原本在图上"天各一方"的北极两侧，被转到了一起，重新接上了。

第 3 步：垂直平移（治南极断裂）

再沿垂直方向平移一段，把南极两侧也接上。

直观理解

类比：你有一张被剪坏的世界地图------

左右被剪开了 → 把纸左右挪一挪，让两端靠近；

北极被拉成一条线 → 把纸裁开、转个方向，让北极那一圈重新闭合；

南极同理 → 上下再挪一挪。

PSW 的本质 ：用几何变换把"被 ERP 剪断的邻接关系"重新拼回同一个窗口里，让窗口注意力能看到它们。

三、核心创新 ②：PA（俯仰注意力）------ 治"空间畸变"

这是论文最有原创性的一招，思路非常聪明。

3.1 核心洞察：让"畸变窗口"去问"未畸变窗口"

同一个场景，从不同角度看，畸变程度不同。

具体做法（三步）：

第 1 步：把全景图沿 pitch（俯仰角）旋转 0.5π（90°）

效果：原来在两极（畸变最严重） 的区域，被转到了赤道附近（畸变最小） ------"极区"和"赤道区"交换了位置。

第 2 步：为每个窗口在"旋转图"里找到对应窗口

原图的第 3 号窗口（位于天花板、畸变严重），在旋转后的图里有一个对应的窗口（现在在赤道、几乎不畸变）。

第 3 步：两个窗口之间做交叉注意力（Cross-Attention）

让"畸变窗口"直接去查询"未畸变窗口"："我在没被拉伸的时候，长什么样？"

3.2 一句话概括

论文原话：

"直觉上，俯仰注意力能帮一个窗口'知道'它不畸变时长什么样。"
类比：你被哈哈镜照得变形了，看不出自己原本的样子。这时旁边有个人站在正常镜子 前------你转头看看他，就知道自己真实长什么样了。

3.3 两个工程优点

优点	说明
几乎不增加计算量	论文做了复杂度分析：当通道数 C 较大（如 512）时，PA 带来的额外计算可忽略不计
即插即用（plug-and-play）	PA 是个独立模块，可以插进各种骨干网络

四、核心创新 ③：全景版位置编码

Transformer 需要位置编码来知道"这个 patch 在哪"。但全景图的"位置"不能用平面坐标衡量。

PanoSwin 做了两套改造：

4.1 绝对位置嵌入：经纬度 + 笛卡尔坐标双管齐下

把每个 patch 的 (u, v)（经度、纬度） 和球面笛卡尔坐标 (x, y, z) 一起，通过几个全连接层编码成位置嵌入。
为什么要两套？因为 ERP 的 (u,v) 在极区会退化（一条纬度线代表的实际周长接近 0），而笛卡尔坐标是"真"的 3D 位置，不会因投影而失真。

4.2 相对位置偏置：用"大圆距离"（球面距离）

Swin 的相对位置偏置用的是平面上的格子距离 。但全景图上，两个 patch 的实际远近要用球面上的最短路径衡量。

论文给的公式（大圆距离）：

人话：

第一项：纬度差贡献的距离；

第二项：经度差贡献的距离，但要乘上 cos(v) 修正 ------因为纬度越高，同样经度差对应的实际距离越短（这正是畸变的数学根源）；

第三项：可学习的偏置。

这个 cos(v) 修正极其关键 ------它把"极区被拉伸"这个几何事实直接编码进了注意力。

五、核心创新 ④：双模式 + 两阶段学习（最能"白嫖"的一招）

这是 PanoSwin 区别于 PanoFormer 的最大特色，也是它最实用的地方。

5.1 双模式设计

同一个 PanoSwin，有两种模式：

模式	用途
PanoSwinp（pano 模式）	处理全景图（开启 PSW、PA、全景位置编码）
PanoSwins（swin 模式）	处理普通平面图像（退化成标准 Swin）

**怎么切到 swin 模式？** 论文给出三步：

让 PSW 的变换（取消全景变换）；
关掉绝对位置嵌入；
把大圆距离偏置里的 αi,j 设为 0。

结果：PanoSwins 完全等价于一个标准 Swin Transformer。

5.2 两阶段学习范式

有了双模式，就能这样玩：

复制代码

第 1 阶段：用【普通平面图像】（ImageNet）预训练 PanoSwin_s
           ↓ 学到的"通用视觉知识"（边缘、纹理、形状...）
切换到 PanoSwin_p
           ↓
第 2 阶段：用【全景图】训练 PanoSwin_p，同时加一个 KP 损失

KP（Knowledge Preservation，知识保持）损失是什么？

其中权重

人话：强迫 PanoSwinp 的特征，尽量接近 PanoSwins 的特征------也就是"别把第 1 阶段学到的平面知识忘掉"。

权重 wi 的设置很讲究：畸变越严重的区域（极区），权重越低------因为那里本来就该允许特征"偏离"平面版本。

两阶段具体怎么做

第一阶段：平面预训练（打基础）

模式：切换到平面模式 ，也就是普通的 Swin，和原版完全一样；
数据：用 ImageNet 等大规模普通图像数据集预训练；
目标：学习通用的视觉知识，比如怎么识别边缘、纹理、物体。

第二阶段：全景微调（练专业）

模式：切换到全景模式 ，启用 PSW 环形窗口和 PA 俯仰注意力；
数据：用目标全景数据集（比如布局数据集、检测数据集）微调；
关键：加入知识保留（KP）损失 ------ 让全景模式输出的特征，尽量和平面模式的特征接近，保证把平面上学到的通用知识保留下来，不会从头乱学。

5.3 为什么这一招价值很大？

全景数据稀缺，平面数据海量。

数据	规模
ImageNet（平面）	1400 万张
全景数据集	几千~几万张

PanoSwin 通过双模式，先把 ImageNet 的海量知识学进来，再迁移到全景 ------这是它相比 PanoFormer"从零设计球面算子、无法用 ImageNet 预训练"的最大优势。

消融证据（SPH-MNIST 分类错误率）：

配置	错误率
只用平面阶段	1.76
只用全景阶段	1.18
两阶段 + KP	1.15

两阶段确实更好。不过也要注意："只用全景阶段"已经不错了 （1.18），说明全景数据本身也够用------两阶段的增益在分类这种简单任务上不算大，但在真实任务（检测）上增益明显（见下文）。

5.4 整体网络架构

PanoSwin 沿用了 Swin 的分层金字塔结构，兼顾多尺度特征和计算效率，所有 Transformer 层都做了全景适配。

XML 复制代码

输入：单张 ERP 全景图（如 512×1024×3）
   │
   ├─① Patch Partition + 分层金字塔（同 Swin）
   │     4×4 切块 → 线性嵌入 → Stage1~4，Patch Merging 逐级下采样
   │     输出多尺度特征：H/4, H/8, H/16, H/32
   │
   ├─② Pano-style Shifted Window Attention（修边界）
   │     · 水平方向循环填充/环形窗口划分（左右相接）
   │     · 极区特殊处理（上下接极点）
   │     · 移位策略适配球面拓扑，把被 ERP 切开的两块拉进同一窗口
   │
   ├─③ Pitch Attention（修畸变）
   │     按 token 的纬度（pitch）分组/加权，
   │     让"严重变形的窗口"与"几乎不变形的窗口"交互校正
   │
   ├─④ 全景适配的位置编码
   │     · 绝对位置：用 token 对应的 3D 笛卡尔方向向量编码
   │     · 相对位置偏置：用球面大圆距离（great-circle distance）查表
   │
   └─⑤ 输出多尺度全景特征 → 挂下游头
         · 全景目标检测（360° 物体 bbox）
         · 全景分类
         · 全景房间布局估计
         
训练策略：两阶段学习
   Stage 1：平面图像（ImageNet/COCO 类）预训练 → 学通用视觉知识
   Stage 2：全景数据微调 → 知识迁移到 ERP 域

双模式设计

平面模式 ：禁用 PSW 和 PA，就是普通 Swin，用于预训练；
全景模式 ：启用 PSW 和 PA，用于全景任务微调。一套参数，两种模式，切换方便，最大化复用预训练知识。

下游任务适配

作为通用骨干，接不同的输出头就能做不同任务：

分类：接全局平均池化 + 分类头；
检测：接检测头（比如 YOLO、Faster R-CNN）；
布局估计：接布局预测头，输出墙线、墙角概率图。

六、实验结果

论文在三类任务、五个数据集上做了验证。

6.1 全景分类（SPH-MNIST / SPH-CIFAR10）

这是合成数据集：把 MNIST/CIFAR 的小图贴到球面上，再投影成 ERP------专门用来测"抗畸变能力"。

SPH-MNIST（测试错误率，越小越好）：

方法	错误率	参数量
Swin-T（13 层）	4.01	67k
PanoSwin-T（12 层）	3.08	66k
PanoSwin-T92	1.21	28M
PanoSwin-T	1.18	30M
PanoSwin-T+（两阶段）	1.15	30M

SPH-CIFAR10（准确率，越大越好）：

方法	准确率	参数量
Swin-T	72.64	28M
PanoSwin-T92	74.50	28M
PanoSwin-T	74.84	30M
PanoSwin-T+	75.01	30M

6.2 全景目标检测（360-Indoor / StreetView）------ 真实世界

360-Indoor（mAP@0.5）：

方法	mAP@0.5	参数量
ResNet50 + COCO 预训练	33.1	72M
ResNet50 + SphereConv + COCO	---	---
Swin-T	24.0	45M
PanoSwin-T92	28.0	45M
PanoSwin-T	28.6	47M
PanoSwin-T+（两阶段）	29.4	47M

PanoSwin 比 Swin-T 高 5.4 个点 （24.0 → 29.4），且参数量几乎一样 （45~47M）。这是很硬的对比：同样的参数，只改了几何设计，就涨了 5 个点。

StreetView（街景全景，更难）：

方法	mAP
VGG + SCNN	64.1
Swin-T	72.8
PanoSwin-T92	75.4
PanoSwin-T+	75.7

6.3 最漂亮的一个实验：高纬度鲁棒性

作者把检测结果按纬度拆开，看"从赤道到极区，性能掉了多少"：

方法	高纬度区域 mAP@50 下降
PanoSwin-T92	1.9（掉得最少）✅
ResNet50 + SphereConv	2.0
Swin-T	3.5
ResNet50	5.8（掉得最多）❌

这组数字直接证明了 PA（俯仰注意力）的价值 ：PanoSwin 在高畸变区域的性能衰减只有 Swin 的一半左右。

还有一个更极端的对照：

模型	从正常测试 → 畸变测试，错误率变化
Swin-T13	2.94 → 5.41（暴涨）
PanoSwin-T12	2.87 → 3.32（几乎没变）

Swin 遇到畸变几乎崩溃，PanoSwin 稳如泰山。

6.4 全景布局估计（Stanford 2D-3D）

方法	3D IoU ↑	Corner Error ↓
ResNet50	78.12	0.90
Swin-T	78.00	0.94
ResNet50 + IN（ImageNet 预训练）	84.66	0.66
PanoSwin-T92 + IN	84.11	0.65
PanoSwin-T + IN	84.21	0.65

注意：布局估计是这篇论文的"附加任务" ，不是主攻方向。它的 84.21 略低于 ResNet50+IN 的 84.66，也不及同期的 LGT-Net（85.76）。

诚实的读法 ：PanoSwin 是一个通用骨干网络 ，在检测上优势巨大，但在布局估计上并非 SOTA------它的价值在于"一个骨干，多个任务都能用"，而不是在每个任务上都刷第一。

6.5 推理速度

模型	参数量	CPU（秒/张）	GPU（秒/张）
Swin-T	28M	1.018	0.015
KTN	30M	0.982	0.010
PanoSwin-T	30M	1.207	0.042

代价：PanoSwin 比 Swin-T 慢约 18%（CPU）/ 2.8 倍（GPU）。这是 PSW 和 PA 带来的开销。

但注意：它比球面卷积方法（KTN 等）还是快得多 ，而且准确率大幅领先。这是典型的"用可接受的计算代价，换显著的精度提升"。

七、消融实验：每个零件值多少？

（SPH-MNIST 错误率 / 360-Indoor mAP）

配置	错误率	mAP	解读
完整模型（两阶段）	1.15	28.6	基准
只用平面阶段	1.76	26.8	缺全景数据 → 差
只用全景阶段	1.18	25.9	缺 ImageNet 知识 → 差
PSW → 普通 W（去掉全景移位）	1.43	28.0	PSW 有用（错误率 1.15→1.43）
PA → 普通 W（去掉俯仰注意力）	2.01	27.9	PA 贡献最大（1.15→2.01）
去掉 LKP	1.18	28.6	KP 损失在检测上影响不大

两条关键结论：

PA（俯仰注意力）贡献最大 ------去掉它，错误率从 1.15 飙到 2.01，几乎翻倍。这印证了"消畸变"是这个任务的核心难点。
PSW 也有明确贡献------去掉它错误率升到 1.43。
两阶段学习在真实任务（检测）上价值明显 ：只全景 25.9 → 两阶段 28.6（+2.7 ）；只平面 26.8。两者结合才最好。

八、PanoSwin vs PanoFormer：两条路线的正面对比

这两篇是最常被放在一起比较的，我给你一张对照表：

维度	PanoFormer（ECCV 2022）	PanoSwin（CVPR 2023）
核心哲学	采样跟着畸变走（算子变形）	窗口跟着边界走，让畸变区和非畸变区对话（调度变形）
治畸变	STLM：回球面切平面取 3×3 邻域	PA：把图转 90°，让极区窗口去问赤道窗口
治边界断裂	未显式处理（靠网络隐式学）	PSW：显式三步几何拼接
位置编码	用 STLM 反投影的偏移作偏置	大圆距离 + 笛卡尔坐标双路
粒度	像素级（更精细）	窗口级（更工程化）
能否用 ImageNet 预训练	❌ 特制采样对平面图不适用	✅ 双模式，可切换，能白嫖
主攻任务	深度估计	通用骨干：检测 / 分类 / 布局
代价	自研算子，生态不通用	直接嫁接 Swin 生态，可插拔

一句话：PanoFormer 是"为全景从零设计一个算子"；PanoSwin 是"把 Swin 的每个零件按全景几何重写一遍"。

九、优势与局限

✅ 优势

优势	说明
显式解决 ERP 两大病	PSW 治边界断裂，PA 治畸变------各有一招，对症下药
PA 极其优雅	"让畸变窗口去问未畸变窗口"------用一个几何旋转 + 交叉注意力就解决了
几乎不加计算量	PA 在大通道数下开销可忽略
即插即用	PA 可插进各种骨干
双模式是神来之笔	能切回普通 Swin → 能用 ImageNet 预训练
通用骨干	一个模型干检测、分类、布局三类任务
检测上的优势最硬	360-Indoor 比 Swin-T 高 5.4 个点，参数量还一样
高纬度鲁棒性极强	性能衰减只有 Swin 的一半
嫁接 Swin 生态	不用从零造轮子，工程友好

❌ 局限

局限	说明
比 Swin 慢	CPU 1.207s vs 1.018s；GPU 0.042s vs 0.015s（慢 2.8 倍）
布局估计非 SOTA	84.21 < ResNet50+IN 84.66，也 < LGT-Net 85.76
只针对 ERP	PSW/PA 是为等距柱状投影设计的，对 cubemap 等其他投影未验证
依赖重力对齐	和同代方法一样，全景图需大致对齐重力方向
合成分类实验偏玩具	SPH-MNIST/SPH-CIFAR 是人工构造的，说服力弱于真实检测
两阶段训练更复杂	要先训一遍平面、再切模式训全景，流程比单阶段长
论文未明确讨论局限	原文没有专门的 Limitations 章节

和同类全景 Transformer 的定位对比

|-----------------|---------|------------------|-----------------|-----------------------|
| 方法 | 定位 | 核心结构 | 优势 | 劣势 |
| PanoViT | 专用布局模型 | 全局自注意力 | 全局结构好 | 计算量大、只做布局、两极畸变没解决 |
| PanoSwin | 通用全景骨干 | 分层窗口注意力 + PSW+PA | 效率高、多任务通用、两极精度高 | 布局专项优化略少，纯布局精度略逊于专用模型 |
| Layout Anything | 专用布局大模型 | 全链路全景适配 + 大规模预训练 | 布局精度最高、全场景通用 | 参数量大、速度慢、只做布局 |

适用场景

适合需要一个骨干做多个全景任务的场景，比如同时做布局、检测、分割；
适合标注数据少、需要借助普通图像预训练的场景；
平衡了速度和精度，比纯全局 ViT 快，比 CNN 方法效果好，是工程落地非常实用的通用骨干。

十、一句话总结 + 四条可迁移的思路

PanoSwin 的核心智慧是"重写而非重造"：它没有像 PanoFormer 那样从零设计一个球面算子，而是把已被验证成功的 Swin Transformer 拿过来， 按全景的几何特性把每个零件改一遍**------移位窗口改成"能拼回南北极和左右接缝"的 PSW；加一个"让畸变窗口去问未畸变窗口"的俯仰注意力 PA；位置编码改用球面大圆距离。更妙的是它保留了"切回普通 Swin"的能力，从而能白嫖 ImageNet 的海量知识。结果：同样的参数量，在真实全景检测上比 Swin 高 5.4 个点，在高畸变区的鲁棒性更是翻倍。**

四条可以带走的思路：

"改造成熟架构"常常优于"从零设计新算子"。 PanoFormer 自研球面算子很漂亮，但和平面图像生态割裂，用不了 ImageNet 。PanoSwin 选择改造 Swin------既解决了问题，又保住了整个生态和预训练 。做架构创新时，先问：能不能改，而不是必须造？
遇到"这个视角下看不清"，就换一个视角看。 PA 的思路极其朴素却极其有力：畸变窗口看不清自己 → 把图转 90°，去看那个"不畸变的自己" 。当数据在某个表示下失真时，找一个不失真版本作为参照，比硬学失真更聪明。
"兼容性"是一种被低估的设计目标。 PanoSwin 特意保留了"切回普通 Swin"的能力，看似是约束，实则是它最大的优势来源 （能白嫖 ImageNet）。设计系统时留一条"退回标准模式"的路，往往能换来意想不到的资源。
评价通用骨干，要看它在最硬的任务上、和最硬的基线比。 PanoSwin 在布局估计上并非第一，但在真实世界目标检测 上以相同参数量 赢 Swin 5.4 个点、高纬度衰减只有一半------这才是它真正的价值。通用模型的意义不是在每个任务上刷第一，而是"一套骨架，多任务通用且都好用"。

四大核心贡献

首个基于 Swin 的通用全景视觉骨干 把 Swin Transformer 成功适配到全景场景，兼顾效率和精度，可用于分类、检测、布局等几乎所有全景任务，是全景视觉领域的通用基础骨干。

PSW 全景移位窗口 提出环形窗口移位机制，优雅解决了全景图左右边界不连续的问题，成为后续全景 Transformer 的标配设计之一。

PA 俯仰注意力 提出随垂直位置自适应的注意力机制，从根源抵消柱状投影的两极畸变，大幅提升了边缘区域的特征质量。

两阶段知识迁移训练范式 提出平面预训练 + 全景微调的训练框架，解决了全景标注数据不足的痛点，大幅降低了全景模型的训练成本。

📖 名词小抄

名词	大白话
ERP	等距柱状投影：球面摊成"世界地图"，带来边界断裂 + 畸变
边界断裂	左右被切开、南北极被拉成整条边界------本该相邻的区域被隔开
空间畸变	越靠近两极，横向拉伸越夸张（格陵兰岛比非洲还大）
PSW	Pano-style Shift Windowing：① 水平平移 ② 切两半+右半转 π ③ 垂直平移------把断裂处拼回同一窗口
PA（Pitch Attention）	把全景 pitch 旋转 90°，让极区窗口与赤道窗口做交叉注意力------"看看我不畸变时长什么样"
大圆距离	球面上两点的最短路径；相对位置偏置用它，并用 cos(v) 修正经度差
笛卡尔坐标位置嵌入	用真实的 3D (x,y,z) 补充 (u,v)，避免极区退化
双模式	PanoSwinp（全景模式）/ PanoSwins（普通 Swin 模式），可切换
切到 Swin 模式的三步	取消全景变换 + 关绝对位置嵌入 + 大圆偏置系数置 0
两阶段学习	第 1 阶段用平面图（ImageNet）训 Swin 模式；第 2 阶段切全景模式 + KP 损失
KP loss	Knowledge Preservation：强迫全景模式特征别偏离平面模式特征（保持学到的通用知识）
权重 wi=cos2(vi)cos2(ui/2)	畸变越重的区域，KP 约束越松
SPH-MNIST / SPH-CIFAR	把小图贴到球面再投影------专门测抗畸变能力的合成数据集
360-Indoor / StreetView	真实室内全景 / 真实街景全景检测数据集
高纬度衰减	从赤道到极区，mAP 掉多少------PanoSwin 只掉 1.9，Swin 掉 3.5