视频抠像模型 VideoMaMa：粗掩码转像素级抠像，宣布将开源

VideoMaMa 是一个专门用来做高质量视频抠像的模型，能把粗糙的物体分割掩码直接变成像素级精准的透明通道。

做视频后期或者绿幕抠像的人都知道，传统抠像极其费时，特别是遇到飘动的发丝、透明玻璃或者复杂的运动边缘，普通分割模型往往切得支离破碎。VideoMaMa 解决的就是这个问题，用户只需要提供一个大致的轮廓，它就能自动补齐边缘细节，输出干净的透明通道。

它是怎么做到的

VideoMaMa 的全称是 Video Mask-to-Matte Model，核心思路是利用预训练视频扩散模型中自带的生成先验。

真实世界的高精度抠像标注数据非常稀缺，过去的技术很难直接迁移到生活场景中。研究团队做了一件很讨巧的事：VideoMaMa 完全只用合成数据进行训练，不需要昂贵的真实视频标注。

由于直接借用了预训练视频扩散模型理解运动和画面的能力，它展现出了极强的零样本泛化性能。即便面对完全没见过的真实拍摄素材，模型也能凭借生成先验，把生硬的掩码边缘自然过渡成细腻的发丝级细节。

5 万条真实视频和 SAM2-Matte

有了这个基础，团队顺手搭建了一套可扩展的自动伪标签管线，用来批量生成高质量视频抠像数据。

利用这套流程，他们构建了名为 MA-V（Matting Anything in Video）的数据集。这个数据集包含超过 5 万条真实世界视频，涵盖了各种复杂场景和大幅度运动，彻底打破了以往抠像数据集规模有限的困境。

为了验证这套数据的含金量，研究团队还在 MA-V 上微调了 Meta 的 SAM2 模型，打造出专精抠像的 SAM2-Matte。测试结果显示，在真实拍摄的复杂视频中，SAM2-Matte 的稳定性和鲁棒性明显超过了那些使用现有传统数据集训练的模型。

开源方面，团队在项目主页宣布，包括 VideoMaMa 模型、SAM2-Matte 以及拥有 5 万多条视频的 MA-V 数据集，后续都会全量公开发布。

为什么重要

对视频剪辑师、特效师和创作者来说，高质量视频抠像一直是门槛最高、耗时最长的工序之一。如果以后只要给一个 SAM 风格的大致选区，模型就能自动吐出电影级的绿幕抠像，后期制作的效率会被直接拉满。

从技术路线来看，这篇工作的聪明之处在于跳出了「死磕人工精细标注」的死胡同。先用视频生成模型自带的世界理解能力把合成数据推向极致，再回过头来给真实世界视频打标签，最后反哺出更强的通用工具。一旦这套模型和 5 万条数据集正式放出，视频后期的开源生态很可能会迎来一次集体洗牌。