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

该论文提出了一种基于深度学习的新型视频对象抠图方法，能够实现时间上连贯的抠图效果，并使用注意力机制的时间聚合模块在特征空间中计算相邻像素沿时间轴的时序相关性，同时利用带有稀疏用户注释关键帧的先进视频对象分割网络进行细调以解决抠图问题。实验结果表明，该方法能够生成适用于各种视频的高质量阿尔法抠图。

May, 2021

本文提出了一种 One-Trimap 视频抠图网络 (OTVM)，该网络能够在只使用一个用户注释的 trimap 的情况下，鲁棒地执行视频抠图，并通过联合建模 trimap 传播和 alpha 预测来实现。其中，alpha 预测与 trimap 传播网络以及 alpha-trimap 细化模块的结合，极大地提高了模型的时序稳定性，而采用的端到端训练策略，则能充分发挥联合模型的优势，创造出了在两个最新视频抠图基准上的最佳表现。

Jul, 2022

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

本文提出利用基于神经网络的时序多背景制作系统，结合了绿幕抠图和 alpha matting , 可以最大限度解决色散问题并保证高质量的拍摄效果。

Jun, 2023

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

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

本文介绍了一个深度学习的视频抠图框架，使用了一种新颖和有效的时空特征聚合模块 (ST-FAM)，同时引入了一种轻量级的交互式 trimap 传播网络，配合一个大规模的视频抠图数据集进行评估，实验结果表明，该框架在具有多帧时间信息的视频中，在定量和定性实验中均显著优于传统视频抠图和应用于视频的深度图像抠图方法。

Apr, 2021

本文提出了一种动态掩蔽感知变换器（DMAT），用于从遮挡图像中推断不可见的人体部分的外观，解决了人体去遮挡任务，对于人员重新识别和意图推断等与人类相关的任务具有巨大价值。通过设计扩展的卷积头部，并整合多个掩蔽蒙版，提出新颖的动态多头人掩蔽引导注意机制，强调可见的人体部分，利用区域上采样策略减轻插值图像受遮挡的影响，并引入无模损失进行学习，在 AHP 数据集上的广泛实验表明其优于最新的最先进方法。

Feb, 2024

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