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

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

通过使用编码解码网络和 transformer 网络，本文介绍了一个名为 AdaM 的自适应合成框架，用于动态视频中的前景和背景分割及 alpha 通道遮罩；在多数据集测试中，AdaM 显示出较高的适应性和合成实况，同时取得新的最佳通用性。

Apr, 2023

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

本文介绍了一种名为 DiffusionMat 的新型图像抠像框架，它采用扩散模型从粗糙到精细的透明度图过渡。通过将噪声添加到阈值图并使用预训练的扩散模型迭代去噪，我们的方法将图像抠像视为一种顺序细化学习过程，并通过校正模块确保最终输出与输入图像的结构一致。此外，我们引入了 Alpha 可靠性传播技术，该技术通过选择性增强自信透明度信息的阈值区域来简化校正任务。通过使用专门针对透明度图边缘准确性和不透明与透明区域一致性的损失函数训练校正模块，我们评估了我们的模型，并结果表明 DiffusionMat 始终优于现有方法。

Nov, 2023

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

本文提出了一种自动生成输入图像 trimap，并将整个抠图过程从人工干预中解放出来的简单高效的方法，并使用基于学习的抠图方法从自动生成的 trimap 生成 matte，实验结果证明，该方法产生的 trimap 质量良好，能准确地估计 matte。

Jul, 2017

提出了一种自我监督的预训练方法，用于图像抠图任务的初始化，从而提高抠图的性能，并证明该方法优于现有的抠图方法和其他自我监督的初始化方法。

Apr, 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