该论文提出了一种低成本的改进方法，以预测前景和背景的颜色，进而实现图像抠图和透明区域补色，并通过多种方法对深度学习网络进行了训练，实现在 Adobe Composition-1k 数据集和 alphamatting.com 的在线评估中达到了最佳性能。

Mar, 2020

本文提出了一种层级与渐进式的注重力抠图网络（HAttMatting++）以更好地从单个 RGB 图像预测前景的不透明度，同时介绍了一个具有挑战性的图像抠图数据集并采用多种损失函数引导网络进行训练，此网络可以捕捉复杂的前景结构并实现单个 RGB 图像作为输入的最佳性能。

Oct, 2022

本文提出使用语义分类的前景语境信息以及语义 trimap 对自然图像抠图进行改进，并就此进行了大规模实验，获得了当下具有最高竞争力的性能表现。同时，我们提供了一个考虑不同语义类别平衡的大型语义图像抠图数据集。

Apr, 2021

本文提出了一个名为 AdaMatting 的新的端到端抠图框架，该框架将传统的抠图过程分解为两个子任务：Trimap 适应和 Alpha 估计，通过单个深度卷积神经网络 (CNN) 分别处理这两个子任务，实现了更好的性能表现。

Sep, 2019

本文提出利用基于神经网络的时序多背景制作系统，结合了绿幕抠图和 alpha matting , 可以最大限度解决色散问题并保证高质量的拍摄效果。

Jun, 2023

本研究旨在提出一种上下文感知的自然图像抠图方法，通过使用两个编码器网络来提取本地特征和全局上下文信息，以同时估计前景和 alpha 遮罩。

Sep, 2019

本文提出一种基于深度学习的图像抠图算法，使用深度卷积编码器 - 解码器网络和卷积网络相结合，提高了前景和背景颜色相似或纹理复杂的图像抠图效果，并生成了一个大规模的图像抠图数据集，实验结果表明该算法优于之前的方法。

Mar, 2017

本论文提出了一种无需提供附加输入的方法进行人物抠图，将任务分为分割和 alpha matte 预测两个子任务，利用图像和分割图来预测 alpha matte，并通过引入分割编码块来避免分割信息的消失。该方法在四个基准数据集上表现优异，且结果可与需要附加输入的方法相媲美。

Jun, 2021

本文提出了一种交互式的框架，称为 smart scribbles，以指导用户在输入图像上绘制少量的 scribbles，从而生成高质量的 alpha mattes，它可以在没有大规模 matting 数据集的情况下进行优化，并在实际情况下显示出更多的普适性。

Mar, 2021

本文提出了一个名为 MSIA-matte 的多尺度信息组装框架，旨在从单个 RGB 图像中提取高质量的 alpha mattes。通过提取高级语义作为主题内容和保留初始 CNN 特征来编码不同级别的前景表达，然后通过设计良好的信息组装策略将它们组合在一起。实验表明，所提出的方法可以达到最先进的性能水平，与大多数现有的抠除网络相比，取得了很好的效果。

Jan, 2021