GCA matting(2020, trimap)

GCA matting(2020, trimap)

• 网络结构：
  • 网络主要是一个Unet结构，一目了然。其中主要有两个特殊结构，一个image feature block，一个GCA block
  • image feature block，主要是提取图像的低层特征，是3x3，stride为2的卷积
  • GCA block: 有两个特征流，一个alpha预测特征流，一个图像特征流，思想来源于图像修复，经输入额图像特征流分为已知区域于未知区域，通过3x3的patch进行划分，之后reshape为卷积核与未知区域进行卷积与sigmod，获取每个patch所指导未知区域的注意力分数，同时对alpha预测流的特征也进行相同的划分并reshape为卷积核，在进行一反卷积，之后未知区域就会在alpha特征图上进行重现，经结果与原来的alpha特征进行融合向下传递训练。
    
    损失函数：
    损失函数只有一个alpha预测，预测位置为gt中的未知区域，经过实验测试，作者发现，添加其他loss会有副作用（与其他的工作结论不符合）
    
    实验结果：