抠图 (Image Matting)是一个非常有趣的领域，它的任务是对图像前景像素的不透明度（alpha 通道）进行计算，方便后续的图像合成编辑。
传统的Matting方法需要输入三色图（Trimap），如下：
该图来自 ：http://wangchuan.github.io/archive/projects/robust-matting/
上图中第一行是原图，第二行是Trimap，Trimap用三个数值标识了三类区域:肯定是背景、肯定是前景和不确定，即图中黑、白、灰。
但近来Matting领域一大特征是越来越多的算法尝试无需输入Trimap的抠图，并有了非常惊艳的表现，这大大提高了Matting的易用性，CVPR 2020 三篇 Matting相关论文均如此。
在短视频应用持续爆发的当下，基于此类技术抠图再图像合成，无需绿幕即可实现大片特效的需求肯定会越来越多。
大家可以在：
http://openaccess.thecvf.com/CVPR2020.py
按照题目下载这些论文。
如果想要下载所有CVPR 2020论文，请点击这里：
CVPR 2020 论文全面开放下载，含主会和workshop
[1].Background Matting: The World Is Your Green Screen
作者 | Soumyadip Sengupta, Vivek Jayaram, Brian Curless, Steven M. Seitz, Ira Kemelmacher-Shlizerman
单位 | 华盛顿大学
代码 | https://github.com/senguptaumd/Background-Matting
解读 | 这项开源视频抠图技术火了！换背景的方法着实真假难辨
这篇文章刚出来的时候非常轰动，开发者提供了完整的训练和测试代码，并支持在图像和视频上进行抠图，非常具有可玩性。
[2].Boosting Semantic Human Matting With Coarse Annotations
作者 | Jinlin Liu, Yuan Yao, Wendi Hou, Miaomiao Cui, Xuansong Xie, Changshui Zhang, Xian-Sheng Hua
单位 | 阿里巴巴；清华大学
该文聚焦于人体的Matting，同样希望摆脱Trimap,该文提出使用前景的粗略标注（比如语义分割算法DeepLab输出的结果mask）改进抠图，同样达到了SOTA的效果，且作者在主流的语义分割数据集上实验，发现对标注mask的提精明显，相信对AI标注公司来说能大大提高人体像素级标注的效率。
不过目前还未发现该文有开源代码。
[3].Attention-Guided Hierarchical Structure Aggregation for Image Matting
作者 | Yu Qiao, Yuhao Liu, Xin Yang, Dongsheng Zhou, Mingliang Xu, Qiang Zhang, Xiaopeng Wei
单位 | 大连理工大学；大连大学；郑州大学；北京工商大学
代码/数据集 | https://github.com/wukaoliu/CVPR2020-HAttMatting
这也是一篇不需要提供三色图（trimap）或者其他交互的抠图方法，核心思想是抑制高级特征中的冗余语义，并消除空间线索中无用的背景细节，然后对其进行聚合以预测准确的alpha 通道。为此，该文使用通道注意力（channel-wise attention）模型来蒸馏金字塔特征，并对空间线索使用空间注意力（spatial attention ），以同时消除前景以外的图像纹理细节。
看一下处理结果：
（请点击查看大图）
毫发毕现！
更重要而是，该文还构建了大型的Matting数据集，含有59600训练图像和1000测试图像，目前数据集已经公开，代码还未开源。
往期"精彩阅读"
备注：分割
图像分割交流群
语义分割、实例分割、全景分割、抠图等技术，若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号 : aicvml
QQ群：805388940
微博/知乎：@我爱计算机视觉
投稿：amos@52cv.net
网站：www.52cv.net
在看，让更多人看到
962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
