ViTMatte是一個基於預訓練純視覺變換器（Plain Vision Transformers, ViTs）的圖像摳圖系統。它利用混合注意力機制和卷積頸部來優化性能與計算之間的平衡，並引入了細節捕獲模塊以補充摳圖所需的細節信息。ViTMatte是首個通過簡潔的適配釋放ViT在圖像摳圖領域潛力的工作，繼承了ViT在預訓練策略、簡潔的架構設計和靈活的推理策略等方面的優勢。在Composition-1k和Distinctions-646這兩個最常用的圖像摳圖基準測試中，ViTMatte達到了最先進的性能，並以較大優勢超越了先前的工作。