通过上下文聚合和强数据增强提高图像抠像的稳健性
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
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
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
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 HDMatt,第一个用于高分辨率输入的基于深度学习的图像抠图方法,采用一种新的模块设计以解决不同片段之间的上下文依赖性和一致性问题,并在 Adobe 图像抠图和 AlphaMatting 基准上取得了新的最先进性能和更高分辨率图像的出色视觉效果。
Sep, 2020
本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法,通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取,该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。
Oct, 2021
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
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