本文提出了一种 One-Trimap 视频抠图网络 (OTVM)，该网络能够在只使用一个用户注释的 trimap 的情况下，鲁棒地执行视频抠图，并通过联合建模 trimap 传播和 alpha 预测来实现。其中，alpha 预测与 trimap 传播网络以及 alpha-trimap 细化模块的结合，极大地提高了模型的时序稳定性，而采用的端到端训练策略，则能充分发挥联合模型的优势，创造出了在两个最新视频抠图基准上的最佳表现。

Jul, 2022

该论文提出了一种基于深度学习的新型视频对象抠图方法，能够实现时间上连贯的抠图效果，并使用注意力机制的时间聚合模块在特征空间中计算相邻像素沿时间轴的时序相关性，同时利用带有稀疏用户注释关键帧的先进视频对象分割网络进行细调以解决抠图问题。实验结果表明，该方法能够生成适用于各种视频的高质量阿尔法抠图。

May, 2021

本文提出了一种基于深度学习的、适用于移动设备上实时进行图像抠图的方法，包括使用二元掩膜和边缘保留技术来实现精确抠取肖像图像。实验结果表明，该算法在跟踪最新的抠图算法的同时，实现了 15 帧每秒的实时性能。

Jul, 2017

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

本文介绍了一个深度学习的视频抠图框架，使用了一种新颖和有效的时空特征聚合模块 (ST-FAM)，同时引入了一种轻量级的交互式 trimap 传播网络，配合一个大规模的视频抠图数据集进行评估，实验结果表明，该框架在具有多帧时间信息的视频中，在定量和定性实验中均显著优于传统视频抠图和应用于视频的深度图像抠图方法。

Apr, 2021

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

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

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

本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法，通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取，该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。

Oct, 2021

本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法，该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果，并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验，结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。

Jun, 2024