论文小结-Deep Image Matting

最新推荐文章于 2024-04-14 09:57:39 发布

你听的到、

最新推荐文章于 2024-04-14 09:57:39 发布

阅读量1.9k

点赞数

CC 4.0 BY-SA版权

分类专栏：人像分割与Matting 文章标签：论文阅读

本文链接：https://blog.youkuaiyun.com/qq_34606546/article/details/86560901

Adobe公司的Deep Image Matting论文提出了一种新的深度学习算法，针对图像精细分割问题。该方法通过结合语义分割和高级上下文信息，改善了在颜色相近或纹理复杂的前景背景中的分割效果。研究包括一个创新的matting网络结构，分为编码解码阶段和细化阶段，以及一个新的matting数据集，提高了模型的准确性和边缘清晰度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Deep Image Matting

论文是adobe公司针对图像精细分割提出的，所属领域为matting，其中的思路感觉是如今matting任务中的最常见的思路，即先通过语义分割网络生成二分类的前景背景图，处理成trimap或者直接生成trimap，将trimap与原RGB图合并成4通道输入进行图像的精细分割。

Abstract
摘要指出之前的方法在matting过程中，前景背景颜色相近或纹理复杂时的表现都非常不好，主要原因是1）仅使用低级特征；2）缺少高级上下文关系 *1) only use low-level features and 2) lack high-level context.*所以文章提出了新的基于深度学习的算法。
**文章主要内容及创新点：
1、新颖的matting网络结构，第一部分将原RGB图与trimap合并生成4通道输入到一个编码解码结构的网络中，通过alpha prediction loss生成一个alpha matte。第二部分将alpha prediction loss之前的特征图raw alpha prediction送入一个小的卷积网络，进行alpha prediction的精修，得到更加精确的alpha值和更加尖锐的边缘。
2、新的matting数据集
**

Introduction
解决mating问题是近似求解一个超定方程，这个方程已知的是原图I的RGB三通道值，未知量为前景RGB与背景RGB加alpha这7个值，方程如下：
在这里插入图片描述
作者介绍之前的方法一般采用将该问题视为一种颜色问题来解决的，即通过前景背景采样，依赖大量颜色区别特征、像素空间位置特征，这样导致对环境敏感，即前景背景分布重叠的情况处理不佳。