本文深入探讨了深度学习在图像抠图(matting)技术中的应用与进展，包括Deep Image Matting、Context-Aware Image Matting等前沿算法。讨论了如何通过深度学习网络自动预测alpha matte，实现前景与背景的精确分离。
文章目录
-
- deep image matting（2017）
- Context-Aware Image Matting for Simultaneous Foreground and Alpha Estimation（2019）
- Indices matter
- Semantic Human Mattimg
- Towards Real-Time Automatic Portrait Matting on Mobile Devices
- A Late Fusion CNN for Digital Matting
- Learning to Composite Context-Realistic Data for Image Matting
- Real-time deep hair matting on mobile devices
- Efficient Semantic Video Segmentation with Per-frame Inference
- Soft Instance Segmentation
- SOLOv2
- SOLOv1
pymatting这个网站很不错
matting技术旨在分出前景背景和过渡区域用于抠图，他的理论基于以下公式
I = α × F + ( 1 − α ) × B I= \alpha \times F + (1-\alpha)\times B I=α×F+(1−α)×B
以上表示一张图像是由前景和背景通过 α \alpha α称之为alpha matte,作为一个蒙版，得到的，因此抠图技术多称之为alpha matting，即给出图片预测出 α \alpha α。
- 但是怎样通过 α \alpha α得到前景呢？又是一个病态问题？是不是 α ≠ 0 \alpha\neq0 α=0的地方抠出来就是前景？好像也不是？没有什么结果
α I = α F \alpha I=\alpha F αI=αF
( 1 − α ) I = ( 1 − α ) B (1-\alpha)I=(1-\alpha)B (1−α)I=(1−α)B
至少可以得到前景的抠图替换任意背景
早期的alpha-matting主要是通过trimap/
最低0.47元/天 解锁文章
扫一扫
2519
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
