企业官网建设流程全解析

之前整理影像素材时，经常遇到一个尴尬的问题：明明视频内容很生动，但产品宣传页、教学课件里需要的却是逐帧动画或序列帧素材。手动截图，一帧一帧抠，工作量巨大；直接录屏，又显得生硬没有动画感。后来围绕“VIT-2动画”的思路，我把“视频输入、动画输出”的整条管线梳理了一遍，从环境搭建到抽帧、风格化、合成导出的细节全部打通。这篇文章就把这套可复用的流程整理出来，包含完整代码和踩坑记录，适合做短视频素材、课件动画、宣传片花絮处理的开发者，也适合刚接触逐帧动画处理的初学者。

1. VIT-2 动画是什么：从视频到逐帧动画的完整思路

1.1 动画生产中的核心痛点

在正式介绍 VIT-2 之前，先聊一个常见的制作场景。

假设你有一段实拍视频，内容是产品旋转展示，或者人物的一个连贯动作。现在需要把它转换成“手绘感”或者“卡牌逐帧动画”风格的素材。传统做法是：

1. 用剪辑软件逐帧导出 PNG 序列。
2. 人工挑选变化明显的帧，删除重复或过渡帧。
3. 逐张用图像处理软件加滤镜、描边、调色。
4. 把处理后的序列帧重新合成视频或 GIF。

这套流程的问题非常明显：步骤多、重复劳动严重、中间环节全靠人工，如果视频长一点，比如 10 秒 30 帧，那就是 300 张图，人工检查一次就得一两个小时，而且很容易漏掉动作关键帧。

VIT-2 动画并不是一个特定的商业软件，它更多代表的是一套“视频输入到动画输出”的处理思路和管线实现。核心可以拆解为四个阶段：

• V（Video）：视频源输入。
• I（Image）：从视频中抽取图像序列。
• T（Transform）：对图像进行风格化变换，例如轮廓提取、色调分离、卡通化。
• 2（To Animation）：把处理后的序列帧重新合成动画。

整套流程解决的核心问题，是把“连续视频”变成“可用动画素材”，同时保留动作的流畅性，降低人工逐帧处理的成本。

1.2 VIT-2 在动画制作流程中的定位

如果你接触过动画制作，一定知道传统逐帧动画（Frame by Frame）的工作量有多大。每一秒动画需要 12 到 24 张原画，原画师、中间画师、上色、合成环环相扣。VIT-2 的思路更像是“实拍辅助动画”：

• 先用视频记录真实动作，作为动作参考。
• 再从视频中自动抽取关键帧。
• 最后对关键帧做风格化处理，让画面脱离“实拍感”，向“动画感”靠拢。

所以它特别适合以下场景：

1.3 本文不会覆盖的内容

这里先划清边界。VIT-2 动画管线只解决“从视频到动画素材”的处理流程，它不包含：

• 从零绘制原创动画角色。
• 复杂的骨骼绑定和 IK 动画。
• 三维渲染管线的接入。
• 音频自动口型同步。

如果你需要的是以上能力，那还需要配合 Spine、DragonBones、Blender 或 After Effects 等工具。本文接下来的内容，全部围绕“视频 → 图像序列 → 风格化 → 动画输出”这条主线展开。

2. 环境准备与依赖安装

为了确保整套流程可以复现，我们需要提前准备好 Python 运行环境以及相应的图像处理库。

2.1 运行时环境

本文示例在 Windows 11 + Python 3.10 环境下验证通过。macOS 和 Linux 同样适用，注意安装 OpenCV 时如果遇到系统依赖问题，可以通过 pip 安装 opencv-python-headless 来规避 GUI 依赖。

版本说明：OpenCV、imageio、imagehash 等库迭代较快，本文示例没有绑定某个特定版本，也不会编码写死；你在运行时只需要安装最新稳定版即可。如果后续 API 有变化，以官方文档为准。

2.2 依赖安装

建议先创建一个虚拟环境，避免依赖冲突。

python -m venv vit2-env

激活虚拟环境：

Windows：

vit2-env\Scripts\activate

macOS / Linux：

source vit2-env/bin/activate

安装依赖：

pip install opencv-python pillow numpy imageio imageio-ffmpeg imagehash

各库的作用：

2.3 项目目录结构

为了便于管理，整个项目按下面的目录结构组织：

vit2-animation/ ├── input/ # 输入视频 │ └── demo.mp4 # 示例源视频 ├── frames_raw/ # 抽帧原始序列 ├── frames_key/ # 关键帧筛选结果 ├── frames_style/ # 风格化处理结果 ├── output/ # 最终导出动画 ├── vit2_pipeline.py # 主流程脚本 └── requirements.txt # 依赖清单

可以先手动创建这些文件夹，或者在脚本里通过os.makedirs自动创建。后面代码会处理。

3. 核心原理拆解

在贴完整代码之前，先把 VIT-2 管线里的每一段原理讲清楚。只有理解了每一步“为什么这么做”，后面遇到参数调优时才知道从哪里下手。

3.1 视频抽帧：把时间变成序列

视频本质上是一组连续播放的静态图像，帧率（FPS）决定了每秒播放多少张。常见的 30 FPS 意味着 1 秒视频里有 30 张图。

抽帧就是按固定间隔从视频中提取图像。OpenCV 的VideoCapture可以直接逐帧读取视频，并通过CAP_PROP_FPS获取帧率。

抽帧时有几个关键选择：

• 间隔多少帧抽一张。
• 是否需要缩放。
• 是否裁剪。

如果动作变化快，抽帧间隔要小；如果动作变化慢，间隔可以大。实际项目中一般先从 1 到 2 帧抽一张开始，后续再用关键帧算法筛掉重复内容。

3.2 关键帧提取：用感知哈希去重

视频中的相邻帧经常非常相似，比如产品静止展示的部分，连续几十帧画面几乎一样。如果不做筛选，后续风格化处理会产生大量重复图，浪费算力，动画导入到游戏引擎时也会占用多余内存。

这里使用感知哈希（Perceptual Hash，pHash）来判断两张图的相似度。感知哈希的核心思想是：

1. 把图像缩放到固定大小，比如 32x32。
2. 转换为灰度图。
3. 计算 DCT（离散余弦变换），提取低频信息。
4. 生成一组 64 位的哈希值。

两张图的汉明距离越小，说明画面越相似。通常距离小于 10 就认为是同一帧或非常接近的画面。

通过遍历抽帧结果，比较当前帧与上一张保留帧的哈希距离，距离超过阈值时保留当前帧，否则跳过。这样就能自动剔除大量重复帧。

3.3 风格化处理：让实拍素材接近动画

风格化是 VIT-2 动画的核心亮点。常见的方法有以下几种：

• 边缘检测：用 Canny 算法提取轮廓，得到线稿图。
• 色调分离：把图像的连续颜色离散化为几个色阶，形成扁平化色块。
• 边缘叠加：在彩色色调分离结果上叠加黑色轮廓线，非常接近手绘动画风格。

色调分离的原理是对每个像素的 RGB 通道做量化。例如把 0 到 255 的颜色分成 4 个区间，每个区间映射为一个代表值，整体画面就会呈现明显的色块效果。

OpenCV 的cv2.Canny用来做边缘检测，cv2.adaptiveThreshold也可以做轮廓提取，两种方式各有侧重。Canny 得到的边缘更细碎，自适应阈值法得到的线条更连续。实际使用时可以把两种结果叠加，也可以根据素材内容选择其中一种。

边缘叠加到色调分离图上时要注意混合比例，线条太粗会盖住色块，线条太细则动画感不足。通常用cv2.addWeighted控制权重。

3.4 逐帧合成：还原动画节奏

处理完成后的 PNG 序列需要重新合成视频或 GIF。imageio 提供了比较简洁的接口，可以直接把图片列表写入 GIF 或 MP4。

合成时两个参数很关键：

• duration（每帧持续时间）：决定动画节奏。GIF 中常见 100ms 到 200ms，即 5 到 10 FPS。
• fps（视频帧率）：导出 MP4 时使用。

逐帧动画不一定要追求高帧率。传统二维动画通常 12 FPS 已经足够流畅，低帧率反而更有“动画感”。一般建议关键帧动画用 8 到 15 FPS，如果素材来自实拍视频，也可以保持 24 FPS 以上，以获得更平滑的动作。

4. 完整实战：用 VIT-2 流程做一段逐帧动画

下面进入完整实战环节。我们以一段 10 秒左右的示例视频作为输入，完整跑一遍 VIT-2 动画流程。

4.1 准备输入素材

在项目根目录的input文件夹中放入一段 mp4 视频，命名为demo.mp4。

如果你暂时没有合适的素材，可以用手机拍摄一段产品旋转视频，或者从免费素材网站下载 CC0 协议的实拍短片。注意素材版权，不要使用未经授权的商业视频。

4.2 抽帧与关键帧筛选

我们先实现第一步：读取视频，抽帧并筛选关键帧。

完整代码：

# 文件路径：vit2_pipeline.py import os import cv2 import imagehash from PIL import Image # 配置 INPUT_VIDEO = "input/demo.mp4" FRAMES_RAW_DIR = "frames_raw" FRAMES_KEY_DIR = "frames_key" HASH_THRESHOLD = 8 # 感知哈希距离阈值，越小越严格 def ensure_dirs(): """自动创建输出目录""" for d in [FRAMES_RAW_DIR, FRAMES_KEY_DIR, "frames_style", "output"]: os.makedirs(d, exist_ok=True) def extract_frames(video_path, sample_interval=2): """ 从视频中抽帧 sample_interval: 每隔多少帧抽取一帧 """ cap = cv2.VideoCapture(video_path) if not cap.isOpened(): raise RuntimeError("无法打开视频文件，请检查路径") fps = cap.get(cv2.CAP_PROP_FPS) total = int(cap.get(cv2.CAP_PROP_FRAME_COUNT)) print(f"视频帧率: {fps:.2f} FPS, 总帧数: {total}") frame_index = 0 saved_count = 0 while True: ret, frame = cap.read() if not ret: break if frame_index % sample_interval == 0: # 转成 RGB 并保存为 PNG frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img = Image.fromarray(frame_rgb) out_path = os.path.join(FRAMES_RAW_DIR, f"raw_{saved_count:05d}.png") img.save(out_path) saved_count += 1 frame_index += 1 cap.release() print(f"抽帧完成，共保存 {saved_count} 张图片") def select_key_frames(): """ 基于感知哈希距离过滤相似帧 """ raw_files = sorted(os.listdir(FRAMES_RAW_DIR)) if not raw_files: print("抽帧目录为空，请先执行抽帧") return last_hash = None saved_count = 0 for f in raw_files: file_path = os.path.join(FRAMES_RAW_DIR, f) img = Image.open(file_path) current_hash = imagehash.phash(img) if last_hash is None: # 第一帧直接保留 key = True else: distance = current_hash - last_hash key = distance >= HASH_THRESHOLD if key: out_path = os.path.join(FRAMES_KEY_DIR, f"key_{saved_count:05d}.png") img.save(out_path) saved_count += 1 last_hash = current_hash print(f"关键帧筛选完成，保留 {saved_count}/{len(raw_files)} 帧") if __name__ == "__main__": ensure_dirs() extract_frames(INPUT_VIDEO, sample_interval=2) select_key_frames()

运行：

python vit2_pipeline.py

预期输出：

视频帧率: 30.00 FPS, 总帧数: 300 抽帧完成，共保存 150 张图片 关键帧筛选完成，保留 35/150 帧

注意：示例中的“150 张”“35 帧”是模拟输出，实际数量取决于视频长度和画面变化幅度。如果视频内容大部分时间静止，保留帧会更少；如果动作剧烈，保留帧会更多。

关键参数HASH_THRESHOLD的调整逻辑是：

• 值越小，筛选越严格，保留帧越少，动画越是“抽帧感”。
• 值越大，保留帧越多，动作越连贯。

建议从小到大测试，找到最合适的阈值。

4.3 风格化处理

拿到关键帧之后，进入 VIT-2 的核心环节：风格化处理。

这里实现一个“色调分离 + 边缘轮廓叠加”的漫画风效果。代码会比较长，但每一步都有注释。

# 继续追加到 vit2_pipeline.py import numpy as np def color_quantization(image, levels=4): """ 色调分离/颜色量化 levels: 每个颜色通道的量化等级 """ # 将 0-255 的像素值映射到 0-(levels-1) 的区间 # 再映射回 0-255，实现颜色简化为几个色阶 step = 256 // levels table = np.arange(0, 256, dtype=np.uint8) table = (table // step) * step + step // 2 table = table.astype(np.uint8) # 用查表法加速 lut = np.dstack([table, table, table]) return cv2.LUT(image, lut) def edge_mask(image, low_threshold=50, high_threshold=150): """ 提取边缘线条 """ gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) blurred = cv2.GaussianBlur(gray, (3, 3), 0) edges = cv2.Canny(blurred, low_threshold, high_threshold) # 将边缘反色，因为后面用减色法叠加时黑色区域代表线条 mask = cv2.bitwise_not(edges) return mask def stylize_image(src_path, dst_path, levels=4, line_weight=0.6): """ 对一张图做风格化处理 line_weight: 边缘线条叠加权重 """ # 读取原图 img = cv2.imread(src_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 色调分离 quantized = color_quantization(img, levels=levels) # 边缘提取 mask = edge_mask(img) # 边缘叠加：把边缘区域颜色压暗，形成线条 # 做法：颜色图乘上边缘蒙版，保留的线条区域变黑，其他区域保持色调分离色 lines = cv2.bitwise_and(quantized, quantized, mask=mask) # 将边缘线条图和色调分离图混合，让线条更明显 result = cv2.addWeighted(quantized, 1.0, lines, line_weight, 0) # 转换成 PIL 图像并保存 result_pil = Image.fromarray(result) result_pil.save(dst_path) print(f"风格化完成: {src_path} -> {dst_path}") def process_all_style(): """ 批量处理关键帧 """ key_files = sorted(os.listdir(FRAMES_KEY_DIR)) if not key_files: print("关键帧目录为空，请先执行关键帧筛选") return for f in key_files: src = os.path.join(FRAMES_KEY_DIR, f) dst = os.path.join("frames_style", f.replace("key_", "style_")) stylize_image(src, dst, levels=4, line_weight=0.5) print(f"风格化处理完成，共处理 {len(key_files)} 张图片") if __name__ == "__main__": ensure_dirs() # 如果已经执行过抽帧和筛选，可以注释掉前面两步 process_all_style()

运行：

python vit2_pipeline.py

预期输出：

风格化完成: frames_key/key_00000.png -> frames_style/style_00000.png 风格化完成: frames_key/key_00001.png -> frames_style/style_00001.png ... 风格化处理完成，共处理 35 张图片

参数调优建议：

• levels：颜色量化等级。4 到 6 适合卡通风格，8 以上会接近原图，失去动画感。
• line_weight：线条叠加强度。0.3 到 0.5 比较自然，超过 0.8 线条会很重。
• Canny 阈值：边缘检测的灵敏度。画面暗时调低，画面亮时调高。

4.4 逐帧合成与导出

最后一步，把风格化后的图片序列合成动画。支持导出 GIF 和 MP4 两种格式。

# 继续追加到 vit2_pipeline.py import imageio.v2 as imageio def export_gif(fps=10, output_path="output/vit2_animation.gif"): """ 把所有风格化帧导出为 GIF """ style_files = sorted(os.listdir("frames_style")) if not style_files: print("风格化目录为空，请先执行风格化处理") return images = [] for f in style_files: file_path = os.path.join("frames_style", f) images.append(imageio.imread(file_path)) # duration = 1 / fps 秒 duration = 1.0 / fps imageio.mimsave(output_path, images, duration=duration) print(f"GIF 导出完成: {output_path}, 共 {len(images)} 帧, {fps} FPS") def export_mp4(fps=15, output_path="output/vit2_animation.mp4"): """ 把所有风格化帧导出为 MP4 """ style_files = sorted(os.listdir("frames_style")) if not style_files: print("风格化目录为空，请先执行风格化处理") return # 用第一张图获取尺寸 first = imageio.imread(os.path.join("frames_style", style_files[0])) height, width, _ = first.shape writer = imageio.get_writer(output_path, fps=fps, codec="libx264", format="FFMPEG", quality=8) for f in style_files: file_path = os.path.join("frames_style", f) frame = imageio.imread(file_path) # 确保尺寸统一 if frame.shape[0] != height or frame.shape[1] != width: from PIL import Image frame = Image.fromarray(frame).resize((width, height)) frame = np.array(frame) writer.append_data(frame) writer.close() print(f"MP4 导出完成: {output_path}, 共 {len(style_files)} 帧, {fps} FPS") if __name__ == "__main__": ensure_dirs() # 根据需求选择导出格式 export_gif(fps=10) export_mp4(fps=15)

运行：

python vit2_pipeline.py

预期输出：

GIF 导出完成: output/vit2_animation.gif, 共 35 帧, 10 FPS MP4 导出完成: output/vit2_animation.mp4, 共 35 帧, 15 FPS

4.5 结果说明与后续检查

打开output目录，你应该能看到两个文件：

• vit2_animation.gif：适合网页展示、文档内嵌、聊天表情包。
• vit2_animation.mp4：适合视频平台、剪辑软件二次加工。

建议用播放器逐帧检查动画，重点看两点：

1. 画面是否有明显跳帧。如果动作在某一帧突然断裂，说明关键帧保留得太少，需要降低HASH_THRESHOLD或加大抽帧密度。
2. 线条是否糊。如果边缘严重变形，说明 Canny 阈值不合适，或者原视频分辨率太低，需要提前对视频做超分处理。

5. 常见问题与排查清单

VIT-2 动画流程涉及多个环节，比较容易出现下面这些问题。我把高频问题整理成表格，方便查阅。

排查顺序建议：先确认视频可正常播放，再看抽帧图是否正常，然后看关键帧是否合理，再检查风格化参数，最后才是导出格式问题。按照这个顺序一层一层查，能快速定位问题所在。

除了表格里的问题，还有一个容易被忽略的坑：原始视频的分辨率。如果视频只有 480P，经过风格化处理后会显得更加模糊。因为风格化过程会压缩颜色细节，原本隐藏在噪点中的模糊感会放大。建议输入素材至少使用 720P 以上分辨率，输出动画前如果发现线条抖动，可以先对关键帧做一次去噪处理。

去噪的简单做法，在stylize_image中加一行：

# 在边缘检测前增加快速去噪 blurred_for_edges = cv2.bilateralFilter(img, 9, 75, 75)

双边滤波可以在保留边缘的同时平滑噪声，比高斯模糊更适合动画转描场景。

6. 最佳实践与工程建议

6.1 帧率与分辨率的取舍

VIT-2 动画的帧率不一定要和源视频一致。源视频 30 FPS，抽帧后关键帧可能是 10 到 15 FPS，导出时可以按 10 到 15 FPS 输出。

这里有一个实用原则：动作动画看FPS，画面细节看分辨率。

• 如果需要表现流畅的连续动作，比如角色转身、跳跃，建议保留 12 FPS 以上。
• 如果只是演示产品外观变化，8 FPS 就足够，还能减少文件体积。
• 输出 GIF 时分辨率不要超过 640px 宽，否则文件可能超过 10MB。
• 输出 MP4 时可以使用 1080p 分辨率，但要注意编码时间会明显增加。

6.2 中间帧平滑的进阶处理

实拍视频抽帧后，动画会有一种“跳帧感”，这在转描动画中很常见。如果希望动画更顺滑，可以考虑两种方式：

第一种是增加关键帧密度，让HASH_THRESHOLD更严格，保留更多中间帧。

第二种是使用视频插帧算法生成中间帧。目前常用的开源方案有 RIFE、DAIN 等，可以把 10 FPS 的序列补到 20 FPS。但要注意，插帧改变的是时间分辨率，不会提升单帧的画面细节；而且对逐帧动画来说，过度的插帧反而会削弱卡顿带来的风格感，需要按项目需求取舍。

6.3 素材管理与命名规范

处理动画素材时，命名规范直接关系到后续导入效率。

推荐命名格式：

[项目名]_[镜头号]_[序号]_[版本]

示例：

product_a_shot01_0001_v01.png product_a_shot01_0002_v01.png

脚本中目前生成的文件名是style_00000.png，在项目规模变大后，建议在文件命名中加入项目标识和阶段标记。关键帧阶段、风格化阶段、最终导出阶段的文件不要放在同一个目录，避免被批量脚本误处理。

6.4 自动化与增量处理

如果你的工作流是频繁处理多个视频，建议把 VIT-2 流程封装成命令行工具，支持传入视频路径和参数。

简单的方式是在脚本最外层加一个main(video_path, sample_interval, hash_threshold, levels, fps)函数，不要把所有逻辑都堆在全局__main__里。

增量处理的意思是：已经抽过的帧不要重复抽取，已经风格化的图不要重新处理。实现时可以用“文件存在就跳过”的方式：

def process_style_incremental(): for f in sorted(os.listdir(FRAMES_KEY_DIR)): dst = os.path.join("frames_style", f.replace("key_", "style_")) if os.path.exists(dst): continue stylize_image(...)

这样在调参时只需要处理新增或修改过的帧，不会浪费大量时间在重复计算上。

6.5 生产环境落地注意事项

如果这套流程要用于商业项目，有几点必须留意。

第一，素材版权。源视频如果是他人拍摄或下载的素材，需要确认是否有转授权。即使只是提取关键帧做二次风格化，也建议保留授权凭证。

第二，色彩管理。视频经过多次编码后，色彩空间可能从 Rec.709 变成 sRGB，导致最终动画颜色偏灰或偏艳。如果对色彩要求高，建议在抽帧阶段就用cv2.cvtColor明确转换色彩空间，输出前校准一遍。

第三，批处理稳定性。处理大批量视频时，建议每处理完一个视频就记录日志，内容包括输入文件、输出文件、抽帧数、筛选数、导出 FPS。这样出现问题时可以快速回溯是哪一步的参数导致的。

第四，隐私保护。如果视频中出现人脸、车牌等敏感信息，生产发布前必须做遮挡处理。风格化处理虽然会弱化细节，但不能保证完全去除隐私内容。

6.6 代码工程化建议

当前脚本把所有函数放在一个文件里，适合快速验证。如果项目要进一步发展，建议按职责拆分成模块：

vit2_animation/ ├── core/ │ ├── frame_extractor.py # 抽帧 │ ├── keyframe_selector.py # 关键帧筛选 │ ├── stylizer.py # 风格化 │ └── exporter.py # 导出 ├── config/ │ └── settings.py # 参数集中管理 ├── main.py # 入口 └── requirements.txt

同时把关键参数放到配置文件里，而不是写在代码顶部。例如settings.py：

INPUT_VIDEO = "input/demo.mp4" SAMPLE_INTERVAL = 2 HASH_THRESHOLD = 8 COLOR_LEVELS = 4 LINE_WEIGHT = 0.5 EXPORT_FPS = 12

这样调整参数时，不需要修改任何逻辑代码，减少误操作风险。

7. 总结与学习路线

VIT-2 动画的完整流程，本质上是把“视频输入、图像处理、动态合成”三个领域串起来。

本文围绕这个主题做了全流程拆解：

• 第一步，通过 OpenCV 从视频中抽帧，把连续视频拆成图像序列。
• 第二步，通过感知哈希对比相邻帧，过滤掉重复和近似帧，保留动作关键帧。
• 第三步，通过色调分离和边缘检测，把实拍画面转换成具有手绘动画感的风格化图像。
• 第四步，通过 imageio 把序列帧重新合成 GIF 或 MP4，完成动画输出。

这套流程已经可以覆盖大部分“视频转逐帧动画”的应用场景，也可以作为二次开发的底层管线。如果你想继续深入，可以按下面的路径学习：

1. 研究更多风格化算法，比如 AnimeGAN、CartoonGAN 等基于深度学习的图像风格迁移模型，替换本文手工调参的边缘叠加方案。
2. 学习视频插帧算法，比如 RIFE 的推理流程，把关键帧过渡做得更平滑。
3. 学习图像批量处理工程化，比如用 FastAPI 封装成 Web 服务，让非技术同事也能通过网页上传视频、下载动画。
4. 学习渲染管线和游戏引擎序列帧导入规范，把生成的关键帧直接用于 Unity / Godot / Cocos 等引擎的动画系统。

实际项目中，最值得关注的风险点有两块：一是源视频的版权与隐私合规，二是风格化参数在不同素材上的泛化能力。参数不可能一次调好，建议为常见素材类型准备几套预设，比如“实拍人物”“产品旋转”“自然风景”，按素材类型快速切换批量处理。

如果本文对你有帮助，可以收藏备用。你在使用过程中遇到其他问题，欢迎在评论区留言，一起交流 VIT-2 动画的处理经验。