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
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
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
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
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
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。
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
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。