前言

• 是比较清晰的用思维导图的形式介绍了一些Matting 基于DeepLearning 的经典论文，如 Deep Image matting
• 可以通过这篇初步了解深度学习Matting领域
• 该篇论文可以看作是基于深度学习研究Matting的开山之作，之后的许多有效、可行度高的做法都是基于这篇的思想而来
• 梳理过程中对一些必要的先验知识都有通俗的概括，适合零基础的同学入门
• 强调的是结构是整体的设计思想 宏观地对整体脉络进行分析
• 博主正在不断更新中

Matting

Matting原理

• Matting 任务中，认为一张图像是由前景和背景线性组成，通过在重叠时对图像的各个像素点进行加权求和实现图片的融合；
• 真正对图片起到融合作用的操作基于权重执行；简单而言，也就是说，根据权重判断每个像素在组合成图片时的参与程度对图片进行组合来实现抠图的效果
• 是基于权重和像素值的思想
• 深度学习在Matting中起的主要作用是去学习融合图片时的前景和背景在组合时的权重
  
• I为输入图片（Images[i]），F为前景图像（Front），B为背景图像(Background)

一个小总结

• Matting就是把图片看作是前景和背景的组合，通过每个像素点的像素值的加权组合实现；输出对象是一张图片，是一张处理好的图片【按照指定的方式】
• 深度学习做Matting的做法就是基于神经网络去求处理图片时对应到每个图片的每个像素在组合时的权重

---

-----【分界线---------------------以下内容属于 一篇基于深度学习的Matting举例】------>

---

Deep Image Matting

---

传送门

https://arxiv.org/pdf/1703.03872.pdf

---

大致执行思路

整体网络结构

损失函数

一些需要注意的

补丁

Module_0

Module_1

整体

---

-----【分界线---------------------以下内容仍然是属于 一篇基于深度学习的Matting举例】------>

---

Learning-based Sampling for Natural Image Matting

整体网络结构

一些需要注意的地方

网络结构-分析

宏观来看

第一阶段输入

第二阶段输入

第三阶段输入

损失函数

整体梳理