نجد أن Mask2Former تحقق أيضًا أداءً متميزًا في مجال التجزئة الافتراضية للفيديو دون الحاجة إلى تعديل البنية المعمارية، أو دالة الخسارة، أو حتى مسار التدريب. في هذا التقرير، نُظهر كيف يمكن لبنية التجزئة الصورية الشاملة أن تعمم بسهولة على التجزئة في الفيديو من خلال التنبؤ مباشرة بحجم التجزئة الثلاثي الأبعاد. وبشكل خاص، سجّل Mask2Former أداءً جديدًا قياسيًا بـ 60.4 نقطة AP على YouTubeVIS-2019 و52.6 نقطة AP على YouTubeVIS-2021. ونعتقد أن Mask2Former قادرة أيضًا على التعامل مع التجزئة الشاملة والشاملة للصورة في الفيديو، بالنظر إلى مرونتها في تجزئة الصور. ونأمل أن يُسهم هذا في جعل أبحاث التجزئة الفيديوية المتطورة أكثر إمكانية للوصول، ويُجذب اهتمامًا أكبر لتصميم بنى تجزئة صورية ومرئية شاملة.