基于局部平滑假设改进深度图像抠图

自然图像抠图是一项基础且具有挑战性的计算机视觉任务。传统上，该问题被表述为一个欠约束问题。由于问题是病态的，需要对数据分布做进一步假设以使问题适定。对于经典抠图方法，一个普遍采用的假设是前景与背景颜色的局部平滑假设。然而，基于深度学习的抠图方法并未系统地考虑此类假设的使用。在本工作中，我们考虑两种有助于改进深度图像抠图模型的局部平滑假设。基于这些局部平滑假设，我们提出了三种技术，即训练集精炼、颜色增强和反向传播精炼，它们能显著提升深度图像抠图模型的性能。我们进行实验以检验所提算法的有效性。实验结果表明，与现有抠图方法相比，所提方法具有更优的性能。