MatAny 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。

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。

Sep, 2019

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

提出了一种称为人物实例抠图（HIM）的新型抠图任务，旨在自动预测每个人物实例的精确 alpha 抠图。通过引入名为 InstMatt 的人物实例抠图框架，并使用新颖的互相指导策略以及多实例细化模块应对复杂的情况，本文提高了抠图的质量和准确性。我们还提出了一种新的实例抠图质量度量标准（IMQ），并构建了 HIM 基准测试集，包括合成和自然图像。

May, 2022

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

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

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

本论文综述了深度学习时代中图像抠图的最新进展及其在自动和人工辅助下的任务和网络结构，评估了代表性抠图方法的性能，并讨论了应用和挑战，同时维护了一个公共资源库来跟踪深度图像抠图的快速发展。

Apr, 2023

本文介绍了一种名为多光谱自动转换技术（MATT）的方法，通过将 Segment Anything Model（SAM）从 RGB 图像中的分割掩模转置，实现对多光谱图像进行高精度和高效率的分割和标记，从而在训练多光谱模型时节省时间并降低少量的平均准确度（mAP），为多光谱对象检测的研究做出了重要贡献，并提出了将这些方法应用于航天多光谱和无人机高光谱图像的未来研究方向。

Feb, 2024

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