May, 2019

感应式引导滤波器：移动设备上基于弱标记蒙版的实时深度图像抠图

PDF
TL;DR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。
deep learningguided filterimage mattingmobile devicesreal-time
发现论文，激发创造
  • 移动电话上人像动画快速深度抠图

    本文提出了一种基于深度学习的、适用于移动设备上实时进行图像抠图的方法，包括使用二元掩膜和边缘保留技术来实现精确抠取肖像图像。实验结果表明，该算法在跟踪最新的抠图算法的同时，实现了 15 帧每秒的实时性能。

    Jul, 2017

  • 使用一致性引导细节正则化学习多个表示的蒙版引导抠像

    我们提出了一个新颖的辅助学习框架，利用语义分割、边缘检测和背景线检测等三个辅助任务，从不同类型的数据和注释中学习不同而有效的表示，以解决合成遮罩数据所带来的过拟合、对复杂结构对象和实际场景的泛化不足、以及背景线或纹理的干扰等挑战，我们还提出了高质量的 matting 基准，Plant-Mat，实验结果表明我们的方法优于现有的 mask-guided 方法。

    Mar, 2024

  • 通过渐进式精化网络进行 Mask 引导背景抠像

    我们提出了一种名为 Mask Guided Matting 的稳健抠图框架，它以一般粗略掩膜为指导，利用 PRN 网络设计逐步优化不确定区域，同时通过一系列指导掩膜扰动操作增强其对外部指导的稳健性。我们重新审视了前景色预测问题，提出了一个简单的改进方案以解决数据集问题。在真实和合成基准测试中，我们证明了 MG Matting 利用各种类型的指导输入实现了最先进的性能。

    Dec, 2020

  • 基于引导上下文注意力的自然图像抠图

    使用指导上下文关注模块的全新的端到端方法，以解决通过利用周围信息来估计本地不透明度的问题，并利用深度神经网络学习的丰富特征，成功地优于自然图像抠图中最先进的方法。

    Jan, 2020

  • 指导各向异性扩散和迭代学习用于弱监督变化检测

    本文提出了一种迭代学习方法，通过从开放矢量数据生成的大规模 change detection 数据集中提取有用信息来训练全卷积网络，该方法在弱监督学习技术中具有出色的性能，并提出引导各向异性扩散算法，用于与迭代训练方法相结合以改进语义分割结果。

    Apr, 2019

  • MaGGIe: 掩码引导渐进式人体实例抠图

    我们提出了一种新的框架 MaGGIe，即遮蔽引导逐渐人物实例抠图（Masked Guided Gradual Human Instance Matting），该框架能够在保持计算成本、精确度和一致性的同时逐步预测每个人物实例的透明度抠图。我们的方法利用现代架构，如 Transformer 注意力和稀疏卷积，同时输出所有实例的抠图，而不会发生内存和延迟问题。尽管在多实例情景下保持恒定的推理成本，我们的框架在我们提出的综合基准测试中实现了稳健而灵活的性能。通过使用更高质量的图像和视频抠图基准，引入了来自公开可用源的新型多实例综合方法，以增加模型在现实世界场景中的泛化能力。

    Apr, 2024

  • 深度图像抠图

    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

  • 面向移动设备的实时自动人像抠图

    通过使用基于多分支扩张卷积的线性瓶颈块的模型 MMNet，我们解决了移动设备上自动人像抠图的问题，实现了实时推断，而且性能下降很小，比现有技术更快。

    Apr, 2019

  • 带有掩模指导的分层深度细化

    本文提出了一种基于掩码图像的深度优化方法，该方法可以使用自监督学习技术和单张图像估计模型进行深度的有效细化，能够较好地解决单张深度估计模型在物体内外边界处存在的问题，并在真实应用中取得了良好的效果。

    Jun, 2022

  • 通过实时用户点击和不确定性估计改进图像抠图

    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