视频抠像扩散 Transformer 架构图

概览

视频抠像扩散 Transformer 的上下两段式架构图。这是一张可编辑的 PowerPoint 图，依据 CC BY 4.0 许可改编自论文原图。

图中内容

训练部分：引导输入（二值掩码或 GT alpha）和 RGB 帧经冻结的潜变量编码器，加上噪声潜变量和可训练的 Refine / Preserve token 送入 DiT，再经冻结解码器输出预测 alpha，并与 GT 对比。推理部分：按块（chunk）推进，参考锚点和重叠帧在块之间传递。每个方框、箭头、标签和公式都是原生形状，改配色、改文字、拆开单独用都行，适合组会汇报、开题、论文配图和海报。

文件格式

下载包含：.pptx（1 页，13.33 × 8.00 英寸；PowerPoint、Keynote、WPS、LibreOffice 都能打开；Google Slides 也能用，但复杂自由曲线可能略有偏移）、.svg、.drawio。附原尺寸预览图 preview.png，另有 1200 px 网页预览图。

形状与编辑

96 个原生可编辑形状：23 个自选图形、40 个文本框、18 个自由曲线、15 条线条/连接线（另有 4 个小编组）。另有 51 张嵌入图片（见下方说明）。可编辑内容：全部文字和公式（ε ∼ 𝒩(0, I)、ℰ、𝒟）、面板外框、DiT 模块、编解码器梯形、R/P token 徽标、括号、跨块路由箭头、分块箭头，以及原生矢量的火焰 / 雪花 / 锚点图标。

嵌入图片与字体

有 51 处是嵌入位图：RGB 视频帧、alpha / 引导掩码、彩色潜变量小方块和手势小图标，分辨率与原图相同，大幅打印时建议换成自己的图片。文字统一用 Times New Roman（Windows 和 macOS 自带；LibreOffice 会用等宽度的 Liberation Serif 显示）。𝒩、ℰ、𝒮 这类花体数学字母用 Cambria Math（随 Microsoft Office 安装），其他软件会自动换成数学字体。上下标是真正的上标 / 下标文字格式，不是公式编辑器对象。SVG 里的文字仍是可编辑文字；draw.io 文件是逐个形状转换的，个别位置可能要微调。本文件是忠实重绘，不是作者的原始源文件。