青青韶华

概述这篇论文主要基于closed form matting和KNN matting两种方法，利用CNN，以两种方法输出和RGB图像一起作为神经网络的输入，从而达到融合局部和非局部方法。论文声称是第一次将深度学习用于自然图像抠图。Motivation论文的动机主要来源于local methods的closed form matting和unlocal methods的KNN matting。文中较大篇

概述论文使用传统的matting方法，构造了一个portrait image数据库，并在此基础上，提出了一种基于CNN的matting方法。CNN已经在很多计算机视觉任务上有good performance。high-level的有检测、分类、识别、分割，但是他们都无法处理matting的细节问题；low-level的有超分辨、去噪、复原、增强，但是没有分割信息。论文提出两种函数，第一种是利用CNN

论文地址：https://arxiv.org/abs/1703.03872 项目地址：https://github.com/Joker316701882/Deep-Image-Matting概述Adobe提出一种基于深度学习的新算法，主要解决传统方法中只有low-level features和缺乏high-level context的问题。深度模型分为两个阶段。第一阶段是深度卷积编码-解码网

之前接触过语义分割，所以在刚接触图像抠图时以为两者是差不多。语义分割是端到端的，对像素按照语义进行多分类，而抠图就是按照前景和背景进行二分类嘛？实际上这是错误的理解。语义分割重在对每个像素的语义理解，将相同语义的像素分割为同一个部分，得到的结果就是若干个块状，至于块与块之间是否衔接自然则不考虑。抠图只将图片分成前景和背景两块，目的是拿到前景，好的抠图算法会对于头发等细节的处理效果比较精确。分割和抠图