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: