本文提出了一个隐私保护的肖像抠图 (P3M) 标准数据集，采用高分辨率的面部模糊肖像图像以及高质量的阿尔法抠图来评估现有的抠图方法。针对训练集仅用面部模糊图像而测试集包含任意图像的情况，本文使用 P3M-Net 模型和剪切图法提高了抠图模型的泛化能力。同时，使用复杂 Copy and Paste 策略，利用公共名人图像提供面部信息增加了肖像抠图模型的泛化能力。

Mar, 2022

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

本研究利用预训练的转换器模型（StyleMatte）为基于 StyleGAN3 的网络（StyleMatteGAN）提供图像 - 掩码对，这个网络可用于无监督训练并生成高分辨率的带透明通道的肖像，适用于各种图像合成任务。

May, 2023

用一张单独的图像实现实时人像抠像的轻量级抠像分解网络（MODNet），其优化了一系列子目标同时通过显式约束、融合多尺度特征和采用自监督一致性策略来提高模型的效率和鲁棒性，且在 Adobe Matting 数据集和 PPM-100 基准测试中优于先前的自由 trimap 方法。

Nov, 2020

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

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

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

该研究探讨了面部识别服务中的数据隐私问题，并提出了一种数据隐私最小化转换方法，该方法能够处理原始面部数据以获取模糊化的数据，并通过增强扰动方法和多重限制机制来提高方法的鲁棒性和可扩展性。实验证明该方法能有效防止面部数据滥用和隐私泄露，同时保持面部识别的准确性。

Oct, 2023

本文提出了一种名为 AnonymousNet 的新框架，该框架包含四个阶段：面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果，而且还首次展示了面部隐私的可衡量性和可分解性，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。

Apr, 2019