Disentangled Image Matting
当前的问题及概述:
以前的大多数图像匹配方法都需要一个大致指定的trimap作为输入,并为trimap未知区域中的所有像素估计分数alpha值。直接从粗糙的Trimap估计alpha matte是先前方法的主要局限性,因为这种做法试图同时解决两个困难且本质上不同的问题:识别Trimap区域内的真实混合像素, 和为它们估算准确的alpha值。
提出了AdaMatting,一种新的端到端matting框架,将这个问题分解为两个子任务:trimap自适应(一种分类任务)和alpha估计(一种修正任务)。
Trimap自适应是一个像素级分类问题,它通过识别确定的前景、背景和半透明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,计算每个像素的不透明度值。
模型及loss:
2.1Trimap Adaptation:
定义最优trimapTopt如下:其中,agt表示ground-truth的alpha mattes,(x, y)表示图像上的每个像素位置。
给定一个以trimap(可能是粗糙的)为条件的输入图像,将图像分割成离散的3个部分,rimap Adaptation旨在预测最优的trimap Topt。
上图中,(a)输入图像(b)输入trimap ©
2019 ICCV之image matting:Disentangled Image Matting
最新推荐文章于 2022-09-07 17:51:44 发布
本文提出了一种名为AdaMatting的端到端图像蒙版框架,将图像蒙版任务分解为trimap自适应(分类任务)和alpha估计(修正任务)。通过ResNet-50编码器和两个解码器,模型能够进行语义理解和光度线索利用,提高图像蒙版的质量。实验表明,trimap自适应有助于生成更准确的alpha matte,解决了以往方法中同时估计trimap和alpha值的难题。
摘要由CSDN通过智能技术生成