ViTMatteは、事前学習済み純粋ビジョン変換器（Plain Vision Transformers、ViTs）に基づく画像切り抜きシステムです。混合アテンションメカニズムと畳み込みネックを組み合わせることで、性能と計算量のバランスを最適化し、さらに詳細捕捉モジュールを導入することで、切り抜きに必要な詳細情報を補完します。ViTMatteは、簡潔な適応によりViTの画像切り抜き分野における可能性を解き放った最初の取り組みであり、事前学習戦略、簡潔なアーキテクチャ設計、柔軟な推論戦略といったViTの利点を継承しています。最も一般的に使用されている画像切り抜きベンチマークテストであるComposition-1kとDistinctions-646において、ViTMatteは最先端の性能を達成し、従来の手法を大きく上回っています。