本文提出了一种自动的人像抠图算法（SHM），以数据学习的隐式语义约束为基础，利用深度卷积神经网络同时拟合语义信息和高质量细节，经实验证明，该算法效果与互动抠图方法相当，并构建了一个包含 35,513 个前景图的高质量注释数据集。

Sep, 2018

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

本研究提出了一种新的实用人像抠图训练方法，通过精细的像素级人体区域识别和大量繁重的标注来实现。为了降低标注成本，现有的抠图方法通常依赖于图像合成来增加数据集。然而，合成训练图像的不自然性给自然图像带来了新的领域泛化挑战。为了解决这个挑战，我们引入了一种新的学习范式，弱半监督人像抠图（WSSHM），它利用少量昂贵的抠图标签和大量经济实惠的分割标签来节省标注成本和解决领域泛化问题。为了实现 WSSHM 的目标，我们提出了一种简单有效的训练方法，称为抠图标签融合（MLB），仅选择性地将分割和抠图数据的有益知识引导到抠图模型。通过详细分析的大量实验表明，我们的方法能够在使用少量抠图数据和大量分割数据的情况下显著提高抠图模型的鲁棒性。我们的训练方法也适用于实时模型，并具有竞争力的准确性和极快的推理速度（在 NVIDIA V100 GPU 上为 328 FPS）。实现代码可在 https://github.com/clovaai/WSSHM 获得。

Apr, 2024

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

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

本文提出了一种名为 PP-Matting 的无 TriMap 自然图像抠图架构，可以实现高精度的自然图像抠图，利用高清分支和语义上下文分支防止前景背景歧义和局部不确定性，与现有方法相比表现优异。

Apr, 2022

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

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

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

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