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

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

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

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

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