知识卡片：VideoMaMa++：通过保留与细化Token实现时序一致的视频抠像

一句话结论

VideoMaMa++ 通过分离 RGB 与掩码的 token 流、引入 preserve/refine 两个可学习 token 并配合滑动窗口推理，解决扩散式视频抠像在分块处理时跨块边界闪烁与透明度不连续的问题，据摘要称在细节精度与时序一致性上优于既往扩散方法。

事件概述或研究问题

• 扩散式视频抠像借助互联网规模预训练的视频扩散先验，在少量合成数据上即可获得较强零样本泛化能力，已成为主流路线之一。
• 但扩散主干计算量大，单次推理只能覆盖 6 到 24 帧，普通视频必然被切成多个块。
• 现有方法对每个块独立、仅依赖粗掩码引导进行抠像，导致块边界处边缘闪烁、透明度不连续。
• 本文要解决的问题：在不增加额外训练的前提下，让分块推理的视频抠像在块边界处保持时序一致，并避免长序列中的误差累积。

方法/产品要点

• 双 token 流条件设计：RGB 与掩码条件分别表示为独立的 token 流，通过完整的时空自注意力交互，由模型自适应地结合精细 RGB 纹理与粗掩码布局，而非固定的通道级融合。
• preserve token 与 refine token：一对新的可学习嵌入，作为逐帧条件接口。
• 滑动窗口推理：利用上述 token 接口，将已生成的抠像结果跨块边界传播，以获得局部时序一致性。
• 全局共享参考锚点：每个块都附带一个全局共享的参考锚点，用于防止长序列中的误差累积。
• 无需额外训练即可启用上述推理方案（据摘要表述）。
• 在标准视频抠像基准与真实长视频上评估。

主要结果或产业意义

• 摘要称：在标准视频抠像基准和真实场景长视频上，该框架在细粒度细节精度与时序一致性两方面均优于既往扩散式方法。
• 摘要强调其独有能力：在长视频上保持跨块边界的一致性。
• 具体指标数值、对比方法清单与消融结果：待核实（摘要未给出数字）。

为什么重要

• 分块推理是扩散类视频模型落地的普遍约束，本文把“跨块一致性”作为一等问题处理，思路可迁移到其他长视频扩散任务（如生成、编辑、修复）。
• 用可学习 token 充当“帧级条件接口”而非改动主干，避免了额外训练成本，属于推理期即可获得的增量收益。
• 与既有卡片的关系：本卡片聚焦视频抠像中的长序列分块一致性问题，与“角色感知联合训练提升视频物理一致性”卡片关注点不同（后者针对物理规律一致性，且结论待核实），本条不重复其事实陈述。

局限与不确定性

• 论文声称的“无需额外训练”具体边界（是否完全不训练、仅推理期生效，还是仅指滑动窗口方案不需再训练）：待核实。
• 定量结果、评测基准名称、对比基线、运行开销：待核实（摘要未提供）。
• 全局参考锚点的选取方式与其失效条件：待核实。
• 作者列表与发布时间来自 arXiv 元数据（2026-10-19），成果是否已正式发表：待核实。

可用于图书/PPT/简报的角度

• “分块推理的代价”：为什么扩散视频模型总要切块，切块带来什么伪影。
• “Token 作为接口”：用 preserve/refine token 做帧级条件控制，替代固定通道融合的设计范式。
• “推理期一致性工程”：滑动窗口 + 全局锚点在无需再训练情况下抑制误差累积。
• 长视频生成/编辑流水线中的一致性保障清单（边界、漂移、误差累积）。

原始材料

• 标题：VideoMaMa++: Temporally Consistent Video Matting via Preserve-and-Refine Token
• 作者：Sangbeom Lim, Seoung Wug Oh, Heeji Yoon, Seungryong Kim, Joon-Young Lee
• arXiv ID：2610.26857v1（cs.CV），Published: 2026-10-19T17:59:56Z
• 摘要页：https://arxiv.org/abs/2610.26857v1
• PDF：https://arxiv.org/pdf/2610.26857v1
• 关键词：video matting；diffusion model；temporal consistency；preserve token；refine token；sliding-window inference