VideoMaMa++: Tách nền video nhất quán theo thời gian bằng token Preserve-and-Refine

Tách nền video dựa trên diffusion đang nổi lên như một hướng tiếp cận hàng đầu, tận dụng các prior khuếch tán video được tiền huấn luyện trên dữ liệu quy mô Internet để đạt khả năng tổng quát hóa zero-shot tốt từ dữ liệu tổng hợp hạn chế. Tuy nhiên, chi phí tính toán lớn của các backbone diffusion khiến suy luận chỉ phù hợp với các đoạn ngắn.