自动语义人体抠图： Semantic Human Matting 算法

"Semantic Human Matting - 阿里 ACM2018 论文 Semantic Human Matting" 在计算机视觉领域，人类分割（human matting）是将人物从自然图像中高质量提取出来的一项关键技术，广泛应用于各种应用，如虚拟现实、视频编辑等。传统的人类分割方法通常需要用户参与，通过提供trimaps（三色图）或草图作为约束条件来指导算法。然而，这种用户交互的方式限制了其在大规模数据处理或对时间敏感场景中的应用。 本文提出了一种名为“Semantic Human Matting”（SHM）的自动人类分割算法，它摒弃了显式的用户输入约束，转而利用从数据中学习到的隐式语义约束。SHM是首个能够同时学习语义信息和高精度细节的深度网络算法。在实际操作中，同时学习粗略的语义信息和精细的细节是一个极具挑战性的任务。为了解决这个问题，作者设计了一种新颖的融合策略，可以自然地对Alpha matte（透明度掩模）进行概率估计，从而更准确地分离前景和背景。 为了支持SHM的学习和评估，研究者构建了一个庞大的数据集，包含35,513个独特前景的高质量注释图像。这个数据集的建立对于推动人类分割领域的进步具有重要意义。通过对这个数据集以及大量真实图像的实验，SHM表现出与最先进的交互式分割方法相当的结果。 这篇论文的贡献主要体现在以下几个方面： 1. 提出了一种全新的自动人类分割方法SHM，该方法能够结合语义信息和细节，无需用户交互。 2. 设计了一种概率融合策略，能够有效地估计Alpha matte，提高了分割的准确性。 3. 构建了一个大规模的数据集，用于训练和评估SHM，促进了人类分割技术的发展。 4. 通过广泛的实验验证，SHM在实际应用中展现出与交互式方法相当的性能，证明了其在处理大规模数据和时间敏感任务时的潜力。 "Semantic Human Matting"是计算机视觉领域的一个重要进展，它解决了传统方法中的用户交互问题，利用深度学习和语义信息实现自动人类分割，对于推动图像处理和计算机视觉技术的进步具有深远的影响。