Jan, 2021

图像抠像的多尺度信息融合

PDF
TL;DR本文提出了一个名为 MSIA-matte 的多尺度信息组装框架，旨在从单个 RGB 图像中提取高质量的 alpha mattes。通过提取高级语义作为主题内容和保留初始 CNN 特征来编码不同级别的前景表达，然后通过设计良好的信息组装策略将它们组合在一起。实验表明，所提出的方法可以达到最先进的性能水平，与大多数现有的抠除网络相比，取得了很好的效果。
image mattingforeground estimationmulti-scale information assemblyalpha mattescnn features
发现论文，激发创造
  • 分层与渐进式图像抠像

    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

  • 语义图像抠图

    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

  • 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

  • 上下文感知图像抠像：同时估计前景和 Alpha 值

    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

  • 深度图像抠图：综合调查

    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

  • F, B, Alpha 抠图

    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

  • 深度自动自然图像抠图

    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

  • 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

  • 解耦图像抠像

    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

  • 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