Press "Enter" to skip to content

精细到发丝级别的抠图算法,工程师的浪漫YYDS!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

你以为这些人像发丝的勾勒是PS做的吗?

 

 

不!这是AI算法的效果!

 

 

这是什幺AI技术能把发丝精细的识别,甚至还能有透明度渐变?!经过小编的一番调研,这项技术叫做Matting,是指通过计算前景的颜色和透明度,将前景从影像中撷取出来,并生成一张Alpha图的技术。

 

 

该数据引用公开数据集[1]

 

近期PaddleSeg团队复现了经典Matting算法MODNet,并进行了一定改进,提供了更丰富的backbone模型选择,适用边缘端、服务端等多种任务场景。

 

 

在这里小编赶紧给大家贴上项目链接地址。 欢迎小伙伴们star收藏:

 

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.3/contrib/Matting

 

同时PaddleSeg团队提供了可部署在手机端的APP应用,欢迎大家收藏链接体验Matting的人像抠图效果。

 

APP下载链接:

 

https://paddleseg.bj.bcebos.com/matting/models/deploy/app-debug.apk

 

Matting精细化抠图被广泛应用在多种行业,如视频剪辑,视频合成等领域。

 

 

看到这幺好的技术,有的小伙伴们会比较关注技术上是怎幺实现的,那幺我们就一起来看看Matting的技术演化过程。

 

Matting算法基本结构

 

基于深度学习的Matting分为两大类:

 

 

一种是基于辅助信息输入。即除了原图和标注图像外,还需要输入其他的信息辅助预测。最常见的辅助信息是Trimap,即将图片划分为前景,背景及过度区域三部分。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,直接实现Alpha预测。

 

 

本文将分别对两类Matting算法展开介绍,和小伙伴们一起梳理Matting的发展历程。

 

 

DIM -Matting

 

DIM(Deep Image Matting)第一次阐述了在给定图像和辅助信息Trimap的情况下,可以通过端到端的方式学习到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,用来减少编码-解码网络引起的细节损失,提升Alpha预测的准确性和边缘效果。在DIM之后诞生了大量的基于Trimap的Matting网络。

 

 

图片来源: 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) 改变思路,利用背景图像取代Trimap来辅助网络进行预测,有效避免了Trimap获取费时费力的问题,并将网络分为Base网络和Refiner两部分。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。

 

 

图片来源: 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制了Matting的应用,为了提升Matting的应用性,针对Portrait Matting领域MODNet摒弃了辅助信息,直接实现Alpha预测,实现了实时Matting,极大提升了基于深度学习Matting的应用价值。MODNet将Matting分解成三个子目标进行优化,通过任务分解提升Alpha预测的准确率。

 

 

图片来源: 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.

 

当前PaddleSeg提供的Matting算法便是对MODNet算法的复现,并在原着基础上提供了多个不同主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求。

 

直播预告

 

为了让开发者们更深入的了解Matting的原理,飞桨团队精细准备了两日课。

 

11月17日~18日19:00~20:00 百度资深高工将为我们 从原理到实战,全方位的解析Matting算法 的前世今生,还在等什幺!抓紧扫码上车吧!

 

扫码报名直播课,加入技术交流群

 

 

精彩内容抢先看

 

 

图片数据引用说明

 

[1] Christoph Rhemann, Carsten Rother, Jue Wang, Margrit Gelautz, Pushmeet Kohli, Pamela Rott. A Perceptually Motivated Online Benchmark for Image Matting.

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注