Swin模型选用了分层结构但没做好细节处理，训练时数据量不够导致学不会清晰特征。比如用ImageNet数据时，因为分辨率低或标注不细，模型在识别边缘和纹理时容易出错，所以拍出来的照片糊了。

因为Swin的轻量化设计把空间信息压缩了，比如把图像分成7x7块计算，导致小物体识别困难。论文里说在COCO数据集上，Swin的物体检测准确率比ViT低3.2%，这说明压缩信息确实会损失清晰度。另外训练时用了少量带模糊的图片，模型就默认把模糊当正常情况，所以越用越糊。训练时没加清晰度约束，比如没用超分辨率数据，导致模型没学会如何锐化图像。算力不够时，又进一步降低了分辨率，形成恶性循环。