Mar, 2024

通过点击学习图像抠像的 Trimap

PDF
TL;DR通过分析真实用户的行为逻辑和三角形模板的特性，我们成功提出了一个强大的迭代三类训练策略和一个专门的模拟功能，使 Click2Trimap 在各种场景下都表现出多样性。定量和定性评估合成和实际世界的抠图数据集表明，与所有现有的无三角形抠图方法相比，Click2Trimap 的性能更优。特别是在用户研究中，Click2Trimap 在每张图像平均仅需 5 秒的时间即可实现高质量的三角形抠图和抠图预测，展示了其在实际应用中的实质性价值。
发现论文，激发创造
  • 通过实时用户点击和不确定性估计改进图像抠图

    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

  • 图像抠图自动生成 Trimap

    本文提出了一种自动生成输入图像 trimap，并将整个抠图过程从人工干预中解放出来的简单高效的方法，并使用基于学习的抠图方法从自动生成的 trimap 生成 matte，实验结果证明，该方法产生的 trimap 质量良好，能准确地估计 matte。

    Jul, 2017

  • 解耦图像抠像

    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

  • 提升真实世界图像中基于无定界边缘的抠图技术

    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

  • PP-Matting：高精度自然图像抠图

    本文提出了一种名为 PP-Matting 的无 TriMap 自然图像抠图架构，可以实现高精度的自然图像抠图，利用高清分支和语义上下文分支防止前景背景歧义和局部不确定性，与现有方法相比表现优异。

    Apr, 2022

  • 深度自动自然图像抠图

    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

  • 高效自然图像抠图

    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

  • 交互式自然图像抠图：使用 Segment Anything 模型进行任意图层抠取

    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

  • 背景抠像：让世界成为你的绿幕

    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

  • 深度图像抠图

    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