自sora之后，我也要多思考，transformer的scaling law在各个子领域中是不是真的会产生智能，conv的叠加从resnet之后就讨论过，宽或者深都没有办法做到极限，大概sam这种思路是最好的实证。

1.introduction

引入了ViT adaptation策略和detail capture module。

2.Methodology

2.2 Overall architecture

给定一个RGB图像HXWX3以及其对应的trimap HXWX1，按通道连接它们并输入到ViTMatte中，ViT作为基础特征提取器，生成一个stride=16的单个特征图，detail capture模块由一系列卷积层组成，用于捕捉和融合图像matting中的详细信息，简单的在不同尺度上采样和融合特征，以预测最终的alpha。

2.3 Vision transformer adaptation

将普通VIT中的block分层m组G，每个组中包含n个transformer块，对于G中的块，我们仅在最后一个块bn中应用全局注意力，而在其他块中使用窗口注意力，而非全局注意力。在每组transformer块后面加入一个卷积块，并利用残差连结将每组的结果前馈，卷积块等于组数，采用ResBottleneck。

2.4 Detail capture module

        已经加入一个轻量级的细节捕捉模块，以有效的捕捉更精细的细节，该模块包括一个卷积流和一个简单的融合策略。由一些列的3x3conv组成，每一层包括一个卷积层，核大小为3，批归一化和relu，双线性插值。

2.5 Training scheme

        ViT初始权重（DINO和MAE的预训练权重初始化ViTMatte-S和ViTMatte-B），并随机初始化额外部分，输入通道是4个，而不是3个，随机裁剪512x512，在两个V100上训练了100个epoch，ViTMatte-B的bs为32，ViTMatte-S的bs为20.

3.experiments