MatteFormer: Transformer-Based Image Matting via Prior-Tokens

中文题目: 借助先验Token的基于Transformer的图像抠图

paper：https://arxiv.org/pdf/2203.15662v1.pdf

code：https://github.com/webtoon/matteformer

摘要

本文提出了一个基于Transformer的图像抠图模型，叫做MatteFormer。它能够在transformer块中充分利用trimap信息。该模型引入了每个trimap区域（前景，背景，未知区域）的全局表征的先验prior。这些先验token能够充当全局先验和参与每个块的自注意力机制。编码器的每一层由PAST（Prior-Attentive Swin Transformer）组成，它以Swin Transformer为基础，不同之处在于（1）它包含PA-WSA（Prior-Attentive Window Self-Attention）层，不仅充当位置tokens，也充当先验tokens。（2）它包含先验存储池，能累积保存前一个块的Tokens并将它们转移到下一个块。在两个抠图数据集上评估了本文的方法，实验结果表明，提出的方法相比于其它SOTA方法有很大的提升。

动机

虽然滑动窗口技术少量的扩大了感受野，但是在较浅的层仍然很难获得足够大的感受野。因此，本文提出了一个先验token，用于表示trimap区域的全局上下文特征。PA-WSA（Prior-Attentive Window Self-Attention）层中的自注意力不仅由空间token,也先验token计算而来。另外，还引入了先验存储池，存储每个块生成的先验token。我们还对先验Token的有效性、自注意图的可视化、ASPP的使用以及计算代价进行了广泛的研究。

创新点

（1）提出了首个基于Transformer的图像抠图算法，MatteFormer

（2）使用先验token指示每个trimap区域的全局信息

（3）设计了PAST（Prior-Attentive Swin Transformer）块，其中包含了PA-WSA（Prior-Attentive Window Self-Attention）层和先验存储池。

（4）在两个数据集上实现了最好的效果。

方法论

该方法是典型的encoder-decoder结构，中间使用跳跃连接。其中每一个encoder中包含一个PAST（Prior-Attentive Swin Transformer）块。

Prior-token

通过公式（2）生成对应的prior-token，其中$z_i$表示spatial-token的特征。$r_i^q$表示是否在对应的query区域，其值为0/1。

Prior-Attentive Swin Transformer Blocks

该模块是基于Swin Transformer 块改进的，不止在局部窗口中有spatial tokens，而且在PA-WSA（Prior-Attentive Window Self-Attention）层中有prior-tokens。另外还有prior-memory

其中，prior-tokens是跟spatial-tokens concat起来然后一起送入Self-Attention的，其充当keys和values。

在局部窗口的spatial-tokens之间，相对位置位于x轴和y轴上的[−M + 1, M−1]范围内。

Prior-tokens 从先前的block生成，并且传递信息到下一个block。

Training Scheme

损失函数如下：

解码过程使用的是PRM（Progressive Refinement Module）从粗到细的方式：

${\alpha }_l^{\prime }$表示粗的结果，${\alpha }_l$表示细的结果。$g_l$表示自引导的mask，它是由${\alpha }_{l-1}$得到的

结果

在两个公开的数据集都得到了好的结果

总结

使用先验token指示每个trimap区域的全局信息，而且设计了PAST（Prior-Attentive Swin Transformer）块，其中包含了PA-WSA（Prior-Attentive Window Self-Attention）层和先验存储池。总的而言还是有一点创新的，但是跟另一篇ECCV2022论文的思路优点相近，都是在Transformer里面融入trimap的信息，具体可以看这篇博客TransMatting: Enhancing Transparent Objects Matting with Transformers。