A straightforward, honest-to-goodness hot dog stand that’s been feeding hungry North Carolinians since the late 1970s, ...

最后，论文用了一个思路：把光标当成一个「视觉对象」来处理。具体做法是用 SVG 在每一帧的光标位置渲染一个小箭头，生成对应的 mask 和参考帧，让模型学习「光标在画面上长什么样、在哪里」。