基于层扩散与连通性先验的高效人像抠图创建
计算机视觉与模式识别
2025-01-28 v1
摘要
学习有效的深度人像抠图模型需要高质量和大数据的训练数据。然而，质量和数量都难以满足。由于最精确的人像抠图是在绿幕前获取的，因此几乎不可能在现实中收集大规模人像抠图数据集。本工作表明，可以利用文本提示和最新的层扩散模型生成高质量的人像前景并提取潜在人像抠图。然而，所生成的人像抠图难以直接应用，因为存在显著的生成性状。灵感来源于人像图像中观察到的连通性先验，即人像前景的边界始终保持连通性，本文引入一种基于连通性的方法来细化人像抠图。基于此，本文创建了一个大规模人像抠图数据集，称为 LD-Portrait-20K，包含 个人像前景和高质量 alpha 抠图。广泛的实验表明，LD-Portrait-20K 数据集的价值，该数据集上的模型显著优于其他数据集上的模型。此外，与色度键算法和数据集容量的消融研究进一步确认了所提出抠图创建方法的有效性。进一步地，该数据集也为以简单视频分割和在该数据集上训练的基于三角形的人像抠图模型实现最先进的视频人像抠图贡献了重要一步。
引用
@article{arxiv.2501.16147,
title = {Efficient Portrait Matte Creation With Layer Diffusion and Connectivity Priors},
author = {Zhiyuan Lu and Hao Lu and Hua Huang},
journal= {arXiv preprint arXiv:2501.16147},
year = {2025}
}