Spacetime Patch

مكعب صغير ثلاثي الأبعاد يُقتطع من التمثيل الكامن للفيديو، يمتد عبر بضعة بكسلات في العرض والارتفاع وبضعة إطارات في الزمن. تُستخدم هذه الرقع كرموز دخل للمحوِّل، بالضبط كما تعمل رموز الكلمات في النماذج اللغوية.

A small 3D cube carved from a video's latent representation, spanning a local region of width, height, and time. These patches serve as input tokens to a transformer, directly analogous to word tokens in language models.