Jun, 2023

交互式自然图像抠图：使用 Segment Anything 模型进行任意图层抠取

PDF
TL;DRMatAny 是一种新的互动自然图像抠图模型，通过基于轮廓和透明度预测来自动生成伪 trimap，有效降低了对大规模抠图应用的人力需求，是目前性能最好、支持互动方式最多的交互式抠图算法。
natural image mattingtrimap guidancematte anything modelpseudo trimapinteractive matting
发现论文，激发创造
  • 任意抠像

    提出了 Matting Anything Model（MAM），一种高效且通用的框架，用于估计图像中任何实例的 alpha 掩模，该框架具有灵活和交互式的视觉或语言提示，可以处理各种类型的图像抠图​​，并且相比于其他专门化的图像抠图网络具有优势，并成功应用于不同的图像抠图基准测试中。

    Jun, 2023

  • 解耦图像抠像

    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

  • 追踪任何物体：运动物体分割相遇视频

    提出了一种名为 Track Anything Model (TAM) 的模型，它可以在视频中进行高效的交互式跟踪和分割，无需额外的训练，并在视频对象跟踪和分割方面表现出色。

    Apr, 2023

  • 深度自动自然图像抠图

    提出了一种基于端到端的自动图像抠图网络，通过注意力机制和预测通用 Trimap 的方法，在无需辅助输入（如 Trimap）的情况下从任意自然图像中估计软前景，可用于图像编辑，该方法在 AIM-500 数据集上的实验结果表明，在客观和主观上均优于现有方法。

    Jul, 2021

  • Deshadow-Anything：当分割任意对象模型遇见零照明去除

    通过消除图像中的阴影同时保留图像细节，Segment Anything (SAM) 模型在图像分割和计算机视觉领域树立了新的基准，但在区分阴影和背景时仍面临挑战。为了解决这个问题，我们开发了 Deshadow-Anything，考虑到大规模数据集的泛化，并对大规模数据集进行微调，实现了图像阴影去除。扩散模型可以沿着图像的边缘和纹理进行扩散，帮助去除阴影并保留图像的细节。此外，我们设计了多自注意引导 (MSAG) 和自适应输入扰动 (DDPM-AIP) 来加速扩散的迭代训练速度。阴影去除任务的实验证明这些方法可以有效提高图像修复性能。

    Sep, 2023

  • 语义图像抠图

    本文提出使用语义分类的前景语境信息以及语义 trimap 对自然图像抠图进行改进，并就此进行了大规模实验，获得了当下具有最高竞争力的性能表现。同时，我们提供了一个考虑不同语义类别平衡的大型语义图像抠图数据集。

    Apr, 2021

  • 通过实时用户点击和不确定性估计改进图像抠图

    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

  • 深度图像抠图

    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

  • 将 “Promoting Segment Anything Model towards Highly Accurate Dichotomous Image Segmentation” 翻译为专业简体中文

    通过输入「Segment Anything Model」（SAM）的简单提示框，并将 SAM 的结果输出作为 IS5Net 的输入，可以极大地提高高精度的二元图像分割的效果。

    Dec, 2023

  • 图像抠图自动生成 Trimap

    本文提出了一种自动生成输入图像 trimap，并将整个抠图过程从人工干预中解放出来的简单高效的方法，并使用基于学习的抠图方法从自动生成的 trimap 生成 matte，实验结果证明，该方法产生的 trimap 质量良好，能准确地估计 matte。

    Jul, 2017