Latex Beamer - 手动覆盖和揭开块和图像

Question

我不知道如何实现以下目标：

• 在第 1 页上，我有一张图像 A 和一个带文本的块。这里，图像 A 显示了一些流程图（png 格式），并且该块应该被覆盖（变灰）。

• 在第二页上，还有另一个图像 B，其中包含流程图的其他部分。此处，文本块也应仍为灰色。

• 然后，在第三页上，图像 B 应该变灰并且块现在变为未被覆盖。

以下是示例代码

\documentclass[professionalfont, 10pt,aspectratio=169]{beamer}
\usetheme{Berlin}
%\useoutertheme{Berlin}

\begin{document}
    \begin{frame}
    Image A
    \begin{block}{here covered}
        content...
    \end{block}
\end{frame}

\begin{frame}
Image B
\begin{block}{covered}
    content...
\end{block}
\end{frame}

\begin{frame}
Image B (covered)
\begin{block}{uncovered}
    content...
\end{block}
\end{frame}
\end{document}

我尝试用\beamerdefaultoverlayspecification{<*>}和做某事\uncover<>，但似乎不起作用。

有任何想法吗？

编辑：我使用这个框架代码：

\begin{frame}{Machine Learning: Supervised Learning}
 \begin{figure}
    \vspace{1em}
    \begin{center}
        \uncover<1->{
    \centering
    \only<1>{\includegraphics[width=0.6\textwidth]{pic/int1.pdf}}
    \only<2>{\includegraphics[width=0.6\textwidth]{pic/int2.pdf}}
    \only<3>{\includegraphics[width=0.6\textwidth]{pic/int3.pdf}}
    \only<4>{\includegraphics[width=0.6\textwidth]{pic/int4.pdf}}
    \only<5>{\includegraphics[width=0.6\textwidth]{pic/int5.pdf}}
    \only<6>{\includegraphics[width=0.6\textwidth]{pic/int9.pdf}}}
    \caption{Supervised learning: classification vs. regression.}
 \vspace{-1em}
\end{center}
\end{figure}    
\uncover<6>{\begin{block}{Supervised Learning}
    Learning a function $\underline{y} = \underline{g}(\underline{x}) + \epsilon$ 
    from  \textit{inputs} $\underline{x}=[x^1\ ... \ x^d]^T \in \mathbb{R}^d$  to \textit{outputs} $\underline{y}$  from a \textit{data set} $\mathcal{D}=\{(\underline{x}^i, \underline{y}^i)\}_{i=1}^n$.
\end{block}}
\end{frame}

问题 1：图像（大小均相同）在每一帧中的位置略有不同

问题 2：在第 (6) 页上，我希望块文本不被覆盖，并且最后一幅图像 (int5.pdf) 被覆盖，就像这样（如果标题也变灰就更好了）：

Answer 1

它似乎beamer 不知道如何调暗图片，因此\setbeamercovered规范不适用。一种替代方法是将您的图形放在tikz具有某些指定opacity值的节点中。

\documentclass[professionalfont, 10pt,aspectratio=169]{beamer}
\usetheme{Berlin}
\usepackage{tikz}
\begin{document}
\begin{frame}{Machine Learning: Supervised Learning}
    \begin{figure}
    \vspace{1em}
    \begin{center}
    \only<1>{\includegraphics[height=3cm]{example-image-a}}%
    \only<2>{\includegraphics[height=3cm]{example-image-b}}%
    \only<3>{\includegraphics[height=3cm]{example-image-c}}%
    \only<4>{\includegraphics[height=3cm]{example-image}}%
    \only<5>{\includegraphics[height=3cm]{example-image-golden}}%
    \only<6>{\tikz{\node[inner sep=0,opacity=0.15]{\includegraphics[height=3cm]{example-grid-100x100pt}};}}
    \caption{Supervised learning: classification vs. regression.}
\vspace{-1em}
\end{center}
\end{figure}
\uncover<6>{\begin{block}{Supervised Learning}
    Learning a function $\underline{y} = \underline{g}(\underline{x}) + \epsilon$ 
    from  \textit{inputs} $\underline{x}=[x^1\ ... \ x^d]^T \in \mathbb{R}^d$  to \textit{outputs} $\underline{y}$  from a \textit{data set} $\mathcal{D}=\{(\underline{x}^i, \underline{y}^i)\}_{i=1}^n$.
\end{block}}
\end{frame}
\end{document}