你认为这些人像发丝的勾画是PS做的吗？
不！这是AI算法的成果！
这是什么AI技术能把发丝精密的辨认，甚至还能有透明度突变？通过小编的一番调研，这项技术叫做Matting，是指通过计算前景的色彩和透明度，将前景从影像中撷取进去，并生成一张Alpha图的技术。
该数据援用公开数据集[1]
近期PaddleSeg团队复现了经典Matting算法MODNet，并进行了肯定改良，提供了更丰盛的backbone模型抉择，实用边缘端、服务端等多种工作场景。
在这里小编连忙给大家贴上我的项目链接地址。欢送小伙伴们star珍藏：https://github.com/PaddlePadd...
同时PaddleSeg团队提供了可部署在手机端的APP利用，欢送大家扫码体验Matting的人像抠图成果。
APP下载链接：
https://paddleseg.bj.bcebos.c...
Matting精细化抠图被广泛应用在多种行业，如视频剪辑，视频合成等畛域。
看到这么好的技术，有的小伙伴们会比拟关注技术上是怎么实现的，那么咱们就一起来看看Matting的技术演化过程。
Matting算法根本构造
基于深度学习的Matting分为两大类：
1.一种是基于辅助信息输出。即除了原图和标注图像外，还须要输出其余的信息辅助预测。最常见的辅助信息是Trimap，行将图片划分为前景，背景及适度区域三局部。另外也有以背景或交互点作为辅助信息。
- 一种是不依赖任何辅助信息，间接实现Alpha预测。
本文将别离对两类Matting算法开展介绍，和小伙伴们一起梳理Matting的倒退历程。
DIM -Matting
DIM（Deep Image Matting）第一次论述了在给定图像和辅助信息Trimap的状况下，能够通过端到端的形式学习到Alpha。其网络分为两个阶段，第一阶段是深度卷积编码-解码网络， 第二阶段是一个小型卷积神经网络，用来缩小编码-解码网络引起的细节损失，晋升Alpha预测的准确性和边缘成果。在DIM之后诞生了大量的基于Trimap的Matting网络。
图片起源：Xu, Ning, et al. "Deep image matting." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
BGMV2：
以背景作为辅助信息
BGMv2(Background Matting v2) 扭转思路，利用背景图像取代Trimap来辅助网络进行预测，无效防止了Trimap获取费时费力的问题，并将网络分为Base网络和Refiner两局部。在计算量大的Base网络阶段对低分辨率进行初步预测，在Refiner阶段利用Error Map对高分辨率图像相应的切片进行Refine。通过此实现了高分辨率图像的实时预测。
图片起源：Lin, Shanchuan, et al. "Real-time high-resolution background matting." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021.
MODNet
辅助信息的获取极大限度了Matting的利用，为了晋升Matting的应用性，针对Portrait Matting畛域MODNet摒弃了辅助信息，间接实现Alpha预测，实现了实时Matting，极大晋升了基于深度学习Matting的利用价值。MODNet将Matting分解成三个子目标进行优化，通过工作合成晋升Alpha预测的准确率。
图片起源：Ke Z, Li K, Zhou Y, et al. Is a Green Screen Really Necessary for Real-Time Portrait Matting?[J]. arXiv preprint arXiv:2011.11961, 2020.
以后PaddleSeg提供的Matting算法便是对MODNet算法的复现，并在原著根底上提供了多个不同骨干网络的预训练模型如RestNet50_vd、HRNet_w18 来满足用户在边缘端、服务端等不同场景部署的需要。
图片数据援用阐明：
[1]Christoph Rhemann, Carsten Rother, Jue Wang, Margrit Gelautz, Pushmeet Kohli, Pamela Rott. A Perceptually Motivated Online Benchmark for Image Matting.
点击进入取得更多技术信息~~