移动电话上人像动画快速深度抠图
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
本文提出了一种基于深度学习和引导滤波的高效图像抠图方法,称为归纳引导滤波,可在移动设备上实现实时的一般图像抠图任务,并在复杂纹理的图像抠图中使用 Gabor 损失进行网络训练。实验结果表明,我们的方法大大减少了运行时间并保证了良好的准确性。
May, 2019
本文提出 HDMatt,第一个用于高分辨率输入的基于深度学习的图像抠图方法,采用一种新的模块设计以解决不同片段之间的上下文依赖性和一致性问题,并在 Adobe 图像抠图和 AlphaMatting 基准上取得了新的最先进性能和更高分辨率图像的出色视觉效果。
Sep, 2020
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
本文介绍了一个深度学习的视频抠图框架,使用了一种新颖和有效的时空特征聚合模块 (ST-FAM),同时引入了一种轻量级的交互式 trimap 传播网络,配合一个大规模的视频抠图数据集进行评估,实验结果表明,该框架在具有多帧时间信息的视频中,在定量和定性实验中均显著优于传统视频抠图和应用于视频的深度图像抠图方法。
Apr, 2021
本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法,通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取,该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。
Oct, 2021
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
深度卷积神经网络在视频抠像中取得了很好的性能。该研究介绍了一种基于卷积神经网络的模块来分别优化抠像目标主体和边缘,以及一种实时、无参考标定的视频抠像方法,通过逐步优化抠像目标主体和边缘实现了显著的边缘优化,同时提出一种能够强化网络在抠像目标边缘上的损失函数。实验结果表明本方法在 Distinctions-646(D646)和 VideoMatte240K(VM)数据集上的性能优于现有的无参考标定抠像方法,尤其是在边缘优化方面。
Feb, 2024