更宽更高：面向图像抠图的密集特征整合与全局前景感知

本文回顾了近期基于深度学习的抠图研究，并提出了我们在图像抠图上“更宽更高”的动机。许多方法借助复杂编码器提取鲁棒语义以获得 alpha 抠图，再借助类 U-net 解码器拼接或融合编码器特征。然而，图像抠图本质上是一种逐像素回归，理想情况是从输入图像中感知最大不透明度对应关系。本文认为，高分辨率特征表示、感知与通信对抠图精度更为关键。因此，我们提出密集整合与全局前景感知网络（I2GFP），以整合更宽与更高的特征流。更宽指我们在每个解码器阶段组合密集特征，更高指我们保留高分辨率中间特征并感知大尺度前景外观。我们的动机以模型深度换取显著的性能提升。我们进行了大量实验来验证所提出的 I2GFP 模型，并在不同公开数据集上取得了最先进（SOTA）结果。