结论

KAIST、韩国高丽大学与Adobe Research等团队在北京时间2026年10月20日首次公开预印本VideoMaMa++，研究扩散视频抠图在长视频上的块边界不一致问题。作者提出掩膜引导的扩散抠图框架，以分离式令牌引导加保持令牌与细化令牌实现滑动窗口推理，作者报告在标准视频抠图基准和野外长视频上细节精度与时间一致性均优于已有扩散方法，并独特地保持跨块边界一致。该结论为作者在受控评测中的单次报告，论文为arXiv v1预印本，未经同行评审确认，需独立复现，不能视为普遍或因果事实。arXiv记录v1提交为2026年10月19日17时59分56秒UTC，对应北京时间10月20日1时59分56秒，落入当日窗口。

研究对象与方法

研究对象是掩膜引导的视频抠图，不是新基础模型发布。针对扩散骨干计算量大、单次仅能处理6至24帧、普通视频必须分块顺序处理的问题，作者将RGB帧与粗掩膜表示为独立令牌流，与噪声抠图令牌一起送入扩散Transformer，以全时空自注意力在每层每个位置自适应组合。高频RGB纹理提供发丝与边缘线索，二值掩膜提供粗但空间锚定的前景范围，模型在边界处偏向RGB、在内部偏向掩膜，替代以往U-Net式通道拼接。骨干为带旋转位置编码的扩散Transformer，可适应不同分辨率与帧数，引导编码使用冻结VAE编码器。作者引入一对可学习嵌入作为逐帧条件接口：保持令牌标记已是精细抠图的帧并要求保留为参考，细化令牌标记仅有粗掩膜的帧并要求结合保持参考细化为精细抠图。推理采用滑动窗口，每块与前一块重叠若干保持帧，使已生成抠图跨块传播保证局部一致，同时每块接入同一全局可靠抠图作为参考锚，以相同保持令牌防止长序列误差累积，无需额外训练。

数据范围与评估条件

训练与评测限定在视频抠图任务。作者称验证覆盖标准视频抠图基准VideoMatte、YoutubeMatte与V-HIM60，以及野外长视频素材，对照为同类扩散抠图基线与按块独立处理的前作VideoMaMa。引导条件为粗二值掩膜，存在单掩膜对应多种合理边界细化的歧义，分块独立处理会落在不同解上导致闪烁与透明度断裂。评估维度为细节精度与时间一致性，重点考察跨块边界表现。论文摘要页学科为计算机视觉，评论标注NeurIPS 2026，但未给出明确接收或评审结论，编辑仍按预印本处理。同一工作暂无满足当日门槛的独立交叉来源，正文严格区分作者结论与编辑解释。

主要结果

作者围绕框架设计、长视频一致性与可控性报告结果。第一，分离式令牌表示保留各模态结构，作者认为其细部恢复优于通道拼接的掩膜引导基线。第二，保持与细化令牌加滑动窗口与全局参考锚的组合，使长视频跨块抠图保持细致且时间一致，而前作在红框示例的块边界处出现漂移。第三，在上述三项基准与野外长视频上，作者报告方法在细节精度与时间一致性上超过已有视频抠图与扩散抠图方法，在长视频抠图上达到最优。第四，同一保持机制带来推理时直接控制，例如交互修正错误输出时可将可信邻帧保持为参考、将出错帧重标为细化。文中Qwen等外部模型未作为新发布，VideoMaMa仅为最接近的掩膜引导基线。以上均为论文内受控对比结果，未经独立验证。

  • RGB与掩膜分流交互替代通道拼接，边界偏向RGB纹理、内部偏向掩膜定位；保持令牌传播已生成精细抠图跨块局部一致，全局参考锚抑制长序列漂移且无需再训练；在VideoMatte、YoutubeMatte与V-HIM60及野外长视频上作者称细节与一致性均优于已有扩散方法；支持将可信帧标保持、出错帧标细化的推理时交互修正。

限制与评审状态

该工作为arXiv v1预印本，尚未确认为同行评审论文，所有领先性表述均为作者自述，未经独立验证。评估限作者选定的三项基准与自选野外长视频，未覆盖跨类别、跨分辨率、跨掩膜生成器与真实剪辑流程的普遍优势。扩散骨干开销大、分块推理依赖重叠帧数与参考锚质量，掩膜质量、检索与计算延迟变化可能改变效率与稳定性结论。作者自述方法利用互联网规模视频扩散先验从有限合成数据实现零样本泛化，但合成到真实的迁移边界、长时误差累积与失败恢复行为仍待检验。局部基准结果不得扩写为行业普遍结论。

潜在意义

编辑解释：若后续复现成立，该工作提示长视频感知不必只靠增大单次上下文或纯自回归隐状态传递，可用显式参考抠图加令牌级条件在块间传递已确认结果，同时保留每块的用户掩膜条件，为抠图、深度等扩散感知任务的长视频推理提供可复用配方。但在同行评审与跨数据集、跨掩膜来源、人类偏好验证完成前，不宜将其视为已确立的通用事实，也不宜直接指导选型或采购。读者可将其理解为一次有明确边界的方法提示，而非对长视频一致性问题的最终解决。

时效与来源说明

本文关键事实仅来自arXiv当日论文页，未为补充背景抓取往日页面。arXiv摘要页明确给出标题、作者、摘要结论、学科分类与带时区的提交历史，可换算为北京时间当日。同一工作暂无满足当日门槛的独立交叉来源，因此正文严格区分作者结论与编辑解释，并标注未经独立验证。媒体决策为not_applicable，本文类型无媒体字段，未臆造图表与图片。