في هذه الورقة، نقترح نموذجًا لاستخلاص الصورة (image matting) يعتمد على المحولات (transformer) يُسمى MatteFormer، والذي يستغل بالكامل معلومات المصفوفة المُحددة (trimap) داخل كتلة المحول. يبدأ منهجنا بإدخال "رمز مُسبق" (prior-token)، وهو تمثيل عالمي لكل منطقة في المصفوفة المُحددة (مثل: الكائن الأمامي، الخلفية، والمنطقة غير المحددة). تُستخدم هذه الرموز المسبقة كأوليات عالمية، وتدخل في آلية الانتباه الذاتي (self-attention) في كل كتلة. تتكون كل مرحلة من المُشِّفر (encoder) من كتلة PAST (Prior-Attentive Swin Transformer)، وهي مبنية على كتلة Swin Transformer، لكنها تختلف في بعض الجوانب: 1) تحتوي على طبقة PA-WSA (Prior-Attentive Window Self-Attention) التي تقوم بالانتباه الذاتي ليس فقط مع الرموز المكانية (spatial-tokens)، بل أيضًا مع الرموز المسبقة. 2) تمتلك ذاكرة مسبقة (prior-memory) تُخزّن الرموز المسبقة تراكميًا من الكتل السابقة وتنقلها إلى الكتلة التالية. قمنا بتقييم نموذج MatteFormer على مجموعتي بيانات شائعة الاستخدام في استخلاص الصور: Composition-1k وDistinctions-646. أظهرت نتائج التجارب أن المنهج المقترح يحقق أداءً من الدرجة الأولى (state-of-the-art) بفارق كبير. يمكن الوصول إلى الكود الخاص بنا عبر الرابط التالي: https://github.com/webtoon/matteformer.