基于语义引导的鲁棒人体抠图
计算机视觉与模式识别
2022-10-12 v1
摘要
自动人体抠图在许多实际应用中备受期待。我们研究了近期的人体抠图方法，并表明当语义人体分割失败时，常会出现糟糕的案例。这表明语义理解对于鲁棒的人体抠图至关重要。由此，我们开发了一个快速且准确的人体抠图框架，命名为语义引导人体抠图 (SGHM)。它构建于语义人体分割网络之上，并引入了一个仅带来边际计算成本的轻量级抠图模块。与以往工作不同，我们的框架具有数据高效性，仅需少量抠图真值即可学习估计高质量的目标抠图。我们的实验表明，仅用 200 张抠图图像进行训练，我们的方法就能很好地泛化到真实世界数据集，并在多个基准上优于近期方法，同时保持高效。考虑到抠图数据难以承受的标注成本以及广泛可用的分割数据，我们的方法成为人体抠图任务的一种实用且有效的解决方案。源代码可在 https://github.com/cxgincsu/SemanticGuidedHumanMatting 获取。
引用
@article{arxiv.2210.05210,
title = {Robust Human Matting via Semantic Guidance},
author = {Xiangguang Chen and Ye Zhu and Yu Li and Bingtao Fu and Lei Sun and Ying Shan and Shan Liu},
journal= {arXiv preprint arXiv:2210.05210},
year = {2022}
}
备注
ACCV 2022