FBA_Matting（2020）

FBA_Matting（2020）

网络结构：

主要是一个Unet网络结构，编码encoder网络使用的是resnet-50，权重用imagenet训练的模型。相比于原始resnet-50有两处修改，a、输入从3通道改为9通道，其中包括rgb与3组trimpa图像，使用三个不同个尺度的高斯模糊生成。b、移除layer3与layer4的stride，增加孔洞卷积，孔洞为2与4（类似alphagan）。
解码decoder网络是一个金字塔pooling层，主要包括7个卷积层与三线性插值与跳层链接。
输出层：包括7个通道，包括alpha值，F值x3，B值x3。前人工作证明对与alpha的结果通过一个硬tanh激活会比sigmod有一个小的改善,F与B也将结果通过一个sigmod归一化到0-1.
前人实验证明，batchsize为1去训练能增加网络的准确率，因此替换batch normalisation为group normalisation。

损失函数：

其中有alpha L1 loss， 金字塔loss，梯度loss，composition loss。
前后背景的L1 loss，梯度loss，金字塔loss，composition loss。
最后还有一个F B a的融合方式，主要通过最大似然估计推导出的一个迭代优化。实验表明，只需要一次迭代就能产生好的结果。

σC2 , σF2 , σB2 = 1, σα2 = 10

训练方式：
训练的trimap从gt中，通过随机膨胀腐蚀来获得。数据增强
TTA：测试时候也使用数据增强来测试，获取最好结果（实际不会这样用吧）
clipping activate函数：

实验结果：
不同的loss与gn都有影响