本文提出了利用 GAN 模型的潜在空间中的语义图片转换,在不改变人像图片本质特征的前提下,通过针对性的损失函数对 StyleGAN 的多个潜在向量进行优化,以提高任意 matting 算法从未知人像背景中去除背景物体的性能,并利用 StyleGAN 生成的数据解决手动 alpha matting 标注的问题。
Aug, 2022
本论文提出了一种无需提供附加输入的方法进行人物抠图,将任务分为分割和 alpha matte 预测两个子任务,利用图像和分割图来预测 alpha matte,并通过引入分割编码块来避免分割信息的消失。该方法在四个基准数据集上表现优异,且结果可与需要附加输入的方法相媲美。
Jun, 2021
通过构建生成对抗网络的方式,训练了一个具有良好分类性能的判别器对自然图像进行抠图,并采用扩张卷积来提取全局上下文信息,从而实现了对头发等细微结构进行有效抠图。
Jul, 2018
本文提出了 P3M-10k,它是第一个大规模的匿名化基准,用于隐私保护的人像抠图。P3M-Net 在此基础上提出了一种更好的人像抠图模型,并在 P3M-10k 上进行了广泛的实验,结果表明,P3M-Net 在客观指标和主观视觉质量方面都优于现有方法,并且具有良好的泛化能力。
Apr, 2021
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
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
提出了一种针对视觉效果制作的、基于深度图先验的、免训练高质量的神经抠图方法,利用深度神经网络的表示来插值不完整的约束,处理视频时具有时间上的一致性且相当简单和有效。
Jun, 2023