CSS View Transitions 2:分层捕获与动画优化技术解析
背景与核心问题
在CSS View Transitions技术中,当前捕获参与过渡元素的方式主要针对简单的平面树结构动画(如交叉淡入淡出+变换动画)。系统会保存元素的相关属性(如从根元素的变换、混合模式、配色方案等),而其他所有样式都被烘焙到快照中。然而,随着嵌套过渡组功能的引入,这种模式需要扩展以适应更复杂的场景。
技术挑战
当元素具有嵌套的后代过渡组时,某些CSS特性需要以不同方式处理:
- 树形效果(透明度、滤镜、图像遮罩)
- 裁剪(裁剪路径、溢出、边框半径)
- 3D效果(实际变换、preserve-3d、透视、变换原点)
特别是边框半径与溢出的组合具有独特效果——它会裁剪其后代元素但不裁剪边框本身。为了正确渲染具有嵌套裁剪后代的圆角元素,需要捕获整个盒子装饰集(背景和边框)并将其应用到组上。
捕获模式讨论
经过讨论,提出了四种可能的捕获模式(每种模式都包含上一种的功能):
- 几何模式:仅捕获基本几何信息
- 平面模式:几何+快照+混合(当前实现方式)
- 复合模式:包含裁剪+3D+树形效果
- 分层模式:包含边框+背景+阴影
这些模式本质上是互不兼容的,如果在旧状态使用一种模式,在新状态使用另一种模式,会导致动画与捕获图像不同步,产生视觉上的问题。
实现方案讨论
经过深入探讨,形成了三种主要实现方案:
-
默认变更方案:改变所有视图过渡的默认捕获模式,将盒子装饰和树形效果作为样式捕获,仅对内容进行交叉淡入淡出。这种方案认为变形动画在大多数情况下优于交叉淡入淡出,但可能改变现有视图过渡的动画效果。
-
显式属性方案:引入新属性(如
view-transition-style或view-transition-capture-mode),提供两种选项:一种是当前方式,另一种是捕获盒子装饰和树形效果作为样式。 -
自动判断方案:添加新属性并赋予
auto值。捕获模式默认与当前相同,但当元素是包含组(具有嵌套组后代)时自动切换模式。
技术决策与实施
CSS工作组最终达成以下决议:
- 变更所有视图过渡的捕获模式,并明确每个属性如何受此变更影响
- Blink引擎将进行实验,如有兼容性问题将反馈
- 最终在各规范的模块交互部分描述属性分类
在实验过程中,明确了需要参与捕获的属性分类:
- 复制属性:需要捕获并渲染到快照中的属性(如overflow、transform-style等)
- 委托属性:需要捕获并委托给组,快照渲染时不包含这些属性(如background、border、filter等)
兼容性考量与优化
变更捕获模式可能影响现有页面的主要方式是::view-transition-group伪元素现在会有动画许多属性的关键帧,这会覆盖直接放在组伪元素上的样式。可能的优化方案是添加一个额外的伪元素(如::view-transition-effect)在组和图像对之间,专门用于动画这些属性,而让伪元素仅动画几何属性。
这种设计在人体工程学上也更优,因为作者可以自定义一个而不破坏另一个。同时,这种分层捕获方式提供了更优质的体验,但平面交叉淡入淡出捕获更简单:所有内容都在旧/新元素中,作者总是可以隐藏其中一个。
未来方向
当前倾向于将分层捕获作为默认模式,让现有视图过渡的使用者在Canary版本中测试其网站。这种方式的优势包括:
- 开发者可以通过简单方式切换到更简单的模式,无需添加新的中间DOM元素
- 在存在互操作性问题时,通过
@supports使新行为可检测 - 为更复杂的动画场景提供更好的支持,同时保持简单用例的易用性
这项技术的演进将显著提升Web动画的表现力和灵活性,为开发者提供更强大的工具来创建流畅、自然的过渡效果。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00