面向增强图像抠图中的细粒度细节
计算机视觉与模式识别
2021-01-25 v1
摘要
近年来，深度自然图像抠图通过向模型中提取高层上下文特征而快速发展。然而，当前大多数方法仍难以处理微小细节，如发丝或皮毛。在本文中，我们认为恢复这些微观细节依赖于低层但高清晰度的纹理特征。然而，这些特征在当前的基于编码器-解码器的模型中很早就被下采样，导致微观细节的丢失。为解决此问题，我们设计了一个深度图像抠图模型以增强细粒度细节。我们的模型由两条并行路径组成：常规的编码器-解码器语义路径与独立无下采样的纹理补偿路径（TCP）。提出 TCP 以原始图像尺寸提取线条与边缘等细粒度细节，极大增强了预测的精细度。同时，为利用高层上下文的优势，我们提出特征融合单元（FFU）以融合来自语义路径的多尺度特征并将其注入 TCP。此外，我们观察到标注不佳的 trimap 严重影响了模型性能。因此我们进一步在损失函数中提出一项新项以及一种 trimap 生成方法，以提升模型对 trimap 的鲁棒性。实验表明，我们的方法在 Composition-1k 数据集上优于先前的最先进方法。
引用
@article{arxiv.2101.09095,
title = {Towards Enhancing Fine-grained Details for Image Matting},
author = {Chang Liu and Henghui Ding and Xudong Jiang},
journal= {arXiv preprint arXiv:2101.09095},
year = {2021}
}