Boosting General Trimap-free Matting in the Real-World Image

图像抠图旨在获取准确分离前景物体和背景的阿尔法抠图。最近，无需Trimap的抠图已经得到了广泛的研究，因为它只需要原始图像而不需要任何额外的输入。这种方法通常通过自身提取粗糙的前景来取代Trimap作为进一步的指导。然而，“前景”的定义缺乏统一的标准，因此存在歧义。此外，由于网络设计不足，提取的前景有时是不完整的。最重要的是，目前没有大规模的真实世界的抠图数据集，目前使用合成图像训练的无Trimap方法在实践中存在着大的领域偏移问题。在本文中，我们将显著对象定义为前景，这与人类认知和当前抠图数据集的注释是一致的。同时，显著对象检测中的数据和技术可以轻松地转移到抠图中。为了获得更准确和完整的阿尔法抠图，我们提出了一种名为多特征融合的粗到细网络（MFC-Net）的网络，该网络完全整合了多个特征以获得准确和完整的阿尔法抠图。此外，我们引入了图像和谐性的数据组成方法，以弥合合成图像和真实图像之间的差距。更重要的是，我们建立了迄今为止最大的通用抠图数据集（Real-19k）在真实世界中。实验证明，我们的方法在合成和真实世界图像上都非常有效，并且在真实世界数据集上的表现远远优于现有的无Trimap方法。我们的代码和数据将很快发布。

本论文旨在解决图像抠图中定义前景的模糊性、网络设计不足和缺乏大规模真实世界数据集的问题。

本论文提出了一种基于多特征融合的粗到细网络（MFC-Net）来解决抠图问题，并将显著性目标定义为前景。同时，通过图像协调技术来缩小合成图像和真实图像之间的差距。

本论文建立了迄今为止最大的真实世界抠图数据集（Real-19k），并且通过实验表明，该方法在合成图像和真实世界图像上均表现出色，并且在真实世界数据集上的表现远远优于现有的无三元组抠图方法。

最近的相关研究包括：Deep Image Matting, AlphaGAN, ScribbleSup, Trimap-Free Interactive Object Extraction等。