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

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

提出了一种名为 Dual-Context Aggregation Matting (DCAM) 的简单且通用的抠图框架，它能够在任意引导或无引导的情况下实现稳健的图像抠图。通过全局轮廓分割和局部边界细化，DCAM 对各种类型的引导和对象都表现出较强的鲁棒性。在五个抠图数据集上的实验结果表明，所提出的 DCAM 在自动抠图和交互式抠图任务中优于现有的抠图方法，突显了 DCAM 的强大普适性和高性能。

Feb, 2024

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

本文提出了一种简单而有效的自然图像抠图网络 AEMatter，它利用外观增强的轴向学习块扩大了感受野，并采用混合变压器编解码器，在四个数据集上的实验结果表明，AEMatter 在抠图方面的表现明显优于现有的方法，特别是在 Adobe Composition-1K 数据集上，在 SAD 和 MSE 方面相较于 MatteFormer 分别减少了 25％和 40％。

Apr, 2023

使用同类前景图像的参考图像和引导先验，提出了上下文抠图的新任务设置。为了克服精确前景匹配的关键挑战，引入了 IconMatting，一种基于预训练文本到图像扩散模型构建的上下文抠图模型。在 ICM-57 测试集上的定量和定性结果表明，IconMatting 在保持自动化抠图水平的同时，与基于 trimap 的抠图方法相媲美。

Mar, 2024

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

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