Disentangled Image Matting
原文链接
Disentangled Image Matting. ICCV 2019: 8818-8827
摘要
大多数以前的抠图方法需要一个粗略的trimap作为输入,然后给每个处于trimap未知区域的像素估计一个分数(fractional)alpha值。在本文中,我们证明了从一个粗略的trimap中直接估计alpha蒙板(alpha matte)是先前方法的主要弊端,因为这种做法试图同时解决两个本质上不同的问题:识别trimap区域内的真混合像素(blending pixels),并为它们估计出准确的alpha值。我们提出了AdaMatting,一个新的端到端抠图框架,它将这个问题分解为两个子任务:trimap自适应(adaption)和alpha估计。Trimap自适应是一个像素级分类问题,它通过识别明确的前景(foreground)、背景(background)和半透明(semi-transparent)图像区域来推断输入图像的全局结构。Alpha估计是一个回归问题,用于计算每个混合像素的不透明度。我们的方法在一个深度卷积神经网络(CNN)中分别处理这两个子任务。大量实验表明,AdaMatting具有额外的结构感知能力和trimap容错能力。我们的方法在Adobe Composition-1k数据集上实现了最先进的定性和定量性能。它也是目前alphamatting.com在线评估所有常用指标中表现最好的方法。