本文提出了一种基于深度学习的图像抠图方法，不需要传统的 trimap，只需少量用户交互即可消除模糊性，同时引入了不确定性估计模块和本地细化模块，能够精确地预测需要进一步调整的区域，取得了与传统抠图方法相当的效果。

Dec, 2020

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

提出了一种基于端到端的自动图像抠图网络，通过注意力机制和预测通用 Trimap 的方法，在无需辅助输入（如 Trimap）的情况下从任意自然图像中估计软前景，可用于图像编辑，该方法在 AIM-500 数据集上的实验结果表明，在客观和主观上均优于现有方法。

Jul, 2021

通过分析真实用户的行为逻辑和三角形模板的特性，我们成功提出了一个强大的迭代三类训练策略和一个专门的模拟功能，使 Click2Trimap 在各种场景下都表现出多样性。定量和定性评估合成和实际世界的抠图数据集表明，与所有现有的无三角形抠图方法相比，Click2Trimap 的性能更优。特别是在用户研究中，Click2Trimap 在每张图像平均仅需 5 秒的时间即可实现高质量的三角形抠图和抠图预测，展示了其在实际应用中的实质性价值。

Mar, 2024

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

在本文中，我们定义显著对象为前景，并提出了一个名为 MFC-Net 的多特征融合的粗到精的网络，它完全整合了多个特征以获得准确完整的 alpha 遮罩。此外，我们引入图像协调方法来填补合成图像和真实图像之间的差距。最重要的是，我们建立了迄今为止最大的通用抠图数据集（Real-19k）。实验证明，我们的方法在合成图像和真实世界图像上都显著有效，并且在真实世界数据集上的性能远远优于现有的无抠图方法。我们的代码和数据将很快发布。

May, 2024

本论文综述了深度学习时代中图像抠图的最新进展及其在自动和人工辅助下的任务和网络结构，评估了代表性抠图方法的性能，并讨论了应用和挑战，同时维护了一个公共资源库来跟踪深度图像抠图的快速发展。

Apr, 2023

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

该论文提出了一种使用手持相机在日常环境中通过拍摄照片或视频来创建人物的 alpha 通道。论文使用基于深度学习的对抗性损失训练了两个抠图网络，能够有效地自动抠图，而无需使用绿幕或手动抠图，相比已有的抠图方法取得了显著的改进。

Apr, 2020

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