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
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
通过使用编码解码网络和 transformer 网络,本文介绍了一个名为 AdaM 的自适应合成框架,用于动态视频中的前景和背景分割及 alpha 通道遮罩;在多数据集测试中,AdaM 显示出较高的适应性和合成实况,同时取得新的最佳通用性。
Apr, 2023
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
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
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。
该论文提出了一种使用手持相机在日常环境中通过拍摄照片或视频来创建人物的 alpha 通道。论文使用基于深度学习的对抗性损失训练了两个抠图网络,能够有效地自动抠图,而无需使用绿幕或手动抠图,相比已有的抠图方法取得了显著的改进。
Apr, 2020
本研究提出了一种基于稀疏编码、非参数概率分割和字典学习的无配对前景背景样本的 alpha 合成方法,可以从多个前景和背景样本中更准确地估计 alpha 值,同时在视频 matting 中也表现出较好的性能。
Apr, 2016
本文提出了一种实时高分辨率的背景替换技术,基于背景抠图并使用两个神经网络来计算高质量的 alpha matte,在处理高分辨率图像时保留了头发细节,并引入了两个大规模的数据集,能够同时提高速度和分辨率。
Dec, 2020