视频叠加层去除流匹配架构图

概览

用流匹配视频模型去除字幕等画面叠加层的三面板架构图。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

(a) 流迭代：源视频 X → VAE 编码器 E → 潜变量 z⁽⁰⁾ = z_s → 状态 z^(k) → 速度预测器（固定源条件、CFG、指令 c、时间 τ）→ 引导后的 v_θ → × Δτ（Δτ < 0）→ 与当前状态旁路 ⊕ 相加 → z^(k+1)，经"更新状态和时间"回环，最后 VAE 解码器 D 在第 K 步输出预测。(b) 固定源条件：对 t − 2 … t + 2 帧做可见性感知聚合（被遮挡帧打叉）→ 可见均值 → 投影 → 乘膨胀掩码 → A；z_s → 全局均值 + MLP → G；掩码 M → 掩码嵌入 → m_tok e_M；三者相加得到源条件 C_s。(c) 共享速度预测器：z_τ → patchify → ⊕ C_s → N 个视频 token，加文本 token → 叠放的 DiT 块（视频–文本联合注意力、稠密 FFN、τ 与 3D RoPE，×24）→ v_θ。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，13.52 × 6.89 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

812 个原生可编辑形状：323 个自选图形、54 个文本框、151 个自由曲线、284 条线条/连接线（另有 2 个小编组）。不含任何嵌入图片，全部矢量。可编辑内容：全部文字和公式（z⁽⁰⁾ = z_s、z^(k)、z^(k+1)、v_θ、Δτ、z_τ、C_s、A、G、m_tok e_M）、带遮挡区标记的立体潜变量网格、胶片边框、编码器 / 解码器梯形、叠放的速度预测器和 DiT 卡片、token 立方体行、⊕ / ⊗ 节点、面板标题以及每条折线连接线。

嵌入图片与字体

本文件不含任何嵌入图片，全部为矢量。胶片边框里的源视频帧和预测帧是用矢量形状画的中性示意场景（源视频帧用白色条块代表字幕叠加层，不是真实字幕），需要真实画面时直接把自己的图盖上去即可。正文用 Calibri，公式统一用 Times New Roman（Calibri 随 Microsoft Office 安装，Times New Roman 是 Windows 和 macOS 自带；LibreOffice 会用等宽度的 Carlito 和 Liberation Serif 显示）。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。