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
使用指导上下文关注模块的全新的端到端方法,以解决通过利用周围信息来估计本地不透明度的问题,并利用深度神经网络学习的丰富特征,成功地优于自然图像抠图中最先进的方法。
Jan, 2020
本文提出了一种新的任务 —— 引用图像抠图(RIM),旨在从给定的自然语言描述中提取最匹配的特定对象的细致 Alpha 通道,从而实现更自然和简单的图像抠图指令。我们设计了一个大规模具有挑战性的数据集 RefMatte,并提出了一种新的基线方法 CLIPMat,包括上下文嵌入提示,文本驱动语义弹出和多级详细信息提取。在 RefMatte 数据集上进行的实验验证了 CLIPMat 方法在关键字和表达式设置方面的优越性。
Jun, 2022
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
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。
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