matting笔记_一周小结

去年刚入坑的旧笔记，刚翻出来…

1. 利用神经网络做抠图的入坑之作《Deep Image Matting》

详情见之前的笔记
matting系列论文笔记（一）：Deep Image Matting

由于image matting的工作没有特别好的综述，有的综述也不是特别新，deep image matting这篇paper就作为进入这个方向的引导论文。这篇paper是Adobe出品，2017年的论文，虽然时间比较久，但是目前很多的matting方法用的还是这篇文章的思路。先通过语义分割网络生成二分类的前景背景图，处理成trimap或者直接生成trimap，将trimap与原RGB图合并成4通道输入进行图像的精细分割。

简要介绍

在这之前的算法在前景、背景颜色相近和文理复杂时，普遍表现不好，其原因主要有两点：只使用了低级特征，没有利用高级的上下文特征。这篇文章基于深度学习提出，主要为了解决如上两个问题。网络主要分为两部分：

一个encoder-decoder网络：将原图和trimap合并为一个4通道的图像作为输入，并且预测出图像的alpha matte
一个小的卷积网络：进行alpha prediction的精修，得到更加精确的alpha值和更加尖锐的边缘。

此外这篇文章做的工作还包括建立一个大样本的数据集。

传统的方法较多采用的是将前景和背景进行线性组合，通过采样前景和背景颜色或者传播 $\alpha$ 值的方法。这些方法依赖于明显区分的颜色、位置和低级特征，对于前景和背景颜色重叠的图像容易产生重影。同时，传统数据集通常比较小，生成 $\alpha$ 的ground-truth比较困难。另一个较大的限制是，能用的数据集太小，容易过拟合，泛化能力差。

文章针对这些问题，设计了一个输入为图像和 trimap 的，end-to-end的蒙板学习方法。同时，通过合成得到一个抠图大数据集，将单一背景下的目标进行提取，合成到复杂的新背景下。

新的matting数据集

原有的数据集太小，如alphamatting.com上的数据集只包含有27张训练图8张测试图。本文自行创建了一个新的大数据集。其方法大致为人工抠出较为准确的object,制作相应的trimap，然后将这些图和一些背景图合成，得到大量的训练数据。这些背景图主要来自MS COCO和Pascal VOC。这么做的主要原因还是trimap图的人工标注成本太高昂。这种方法在matting领域还在被广泛使用。

PS: 当然，这数据集还存在着一些问题，如前景，背景图片分辨率低，清晰度低，多目标等问题。关于这一部分可以参考**《End-to-end Animal Image Matting》**，这篇论文针对前面这些问题做了一些研究，提出了一个新的图像合成流程。

method

在这里插入图片描述

模型结构如上图所示，主要分为两部分。第一阶段为一个深度卷积encoder-decoder网络：将原图和trimap合并为一个4通道的图像作为输入，然后输出预测蒙版的loss+联合loss。第二阶段一个小型卷积网络：进行alpha prediction的精修，得到更加精确的alpha值和更加尖锐的边缘。

**网络结构：**编码-解码这部分是一个典型的基础的分割网络，类似FCN网络的改版。目前已经有很多更加强大的encoder-decoder网络了，如DeepLab v3+等等。

本文为了减少参数、加快训练速度，对decoder网络进行了精简。encoder部分有14个卷积层和5个最大池化层，到了decoder部分只有6个卷积层和5个unpooling layers了

Losses: 本文使用了两个losses, alpha-prediction loss + compositional loss

alpha-prediction loss 指的是每个像素的ground truth 的Alpha值与预测Alpha值之间的绝对差，但是由于绝对差不可微分，采用相对近似值模拟。compositional loss 是ground truth RGB颜色和预测的RGB颜色之间的loss，c定义RGB通道，类似于前面的alpha-prediction loss。

Implementation: 为了防止过拟合，采用了一些策略，基本是一些常用的：

randomly crop：没有中心点的随机裁剪超出边界等情况，本文没有讲。
resize：从原图中随机crop 320,480,640的训练patch，然后统一resize到320，作为网络输入(这里的操作必须对于你训练的那个样本的background,foreground,alpha同步操作)
flipping
random dilate：

PS: 这部分的操作比较简略，可以适当的采用一些更多的trick。Encoder 网络部分使用了VGG16。

PS： 本文采用了Xavier初始化，Xavier初始化主要适用于线性的激活函数，所以目前用的较多的是何凯明大佬的Kaiming Initialization，pytorch目前默认的初始化方法就是这个。

Matting refinement stage

跟之前的算法相比，效果已经比较不错了，但由于使用encoder-decoder结构的缘故，得到的结果常常过于平滑。因此，添加了第二阶段的网络，以获得更加精确的alpha matte和更锐利的边缘。

网络结构： 第二阶段网络的输入是image patch和第一阶段得到的对应的alpha预测的串联（一个4通道输入）。输出是对应的ground truth alpha matte。网络是全卷积网络，包含4个卷积层，前3个卷积层都跟着一个ReLU层。为了使得尖锐的边缘即准确轮廓产生，该阶段不再进行降采样过程。此外，在4通道输入数据进入网络前，还采用了一个“ skip-model ”使得其值变成0-1。第二阶段网络不会对alpha matte进行大规模更改，而只是细化和锐化alpha值，其效果如下图所示：

Implementation: 先仅仅更新第一部分的参数，等到其收敛时，固定参数。然后更新refinement部分。等到refinement part也收敛后，微调整个网络。第一、二阶段都使用了Adam，训练时使用了一个小学习率 $10^-5$ 。

总结

为了将其推广到自然图像中，文章指出抠图算法除了使用颜色作为主要提示外，需要利用更多的结构和语义特征。这篇文章证明了神经网络能够捕获高级特征并用来改进matting效果。实验也证明了，这种方法的优越性，还能广泛应用到真实图像上。

在这之后利用神经网络来进行image matting的工作，很多都受到这篇文章的启发。

论文笔记见附件2

2. 《Towards Real-Time Automatic Portrait Matting on Mobile Devices》

这篇文章的工作主要是移动端的，比较粗略地看了一下。

文章主要为了解决移动设备上实时自动人像抠像的问题，提出了名为MMNet的网络模型，基于具有线性瓶颈块的多分支扩张卷积，其性能优于当时的最新模型，还比Mobile DeepLabv3更快。

网络如下图所示：
在这里插入图片描述

网络结构大致分为三类：

encoder：深度可分离卷积的ASPP模块
decoder : 1x1 卷积 + 双线性插值
Refinement Block： depthwise + pointwise

在这里插入图片描述

这一块其实有点像 Inception的工作。

3. 2020CVPR《Background Matting: The World Is Your Green Screen 》无需trimap输入的抠图

详细见之前的笔记：matting系列论文笔记（二）：Background Matting: The World is Your Green Screen

近来Matting领域越来越多的工作在尝试无需输入Trimap的抠图，并取得了一些很惊艳的工作，无需trimap大大提高了matting的易用性。

这篇文章刚出来的时候非常轰动，开发者提供了完整的测试代码，并支持在图像和视频上进行抠图。这篇文章提出了一种新的无需输入trimap的方法，而且要求很低：在日常环境中使用手持摄像机（手机就可以）拍摄照片或者视频来创建matter（每个像素的前景颜色和alpha）。跟目前一些需要绿幕或者手动标注trimap的方法相比，无疑是非常简便的。虽然，这篇文章的方法需要额外拍一张不带人物的照片，但这仍旧比创建trimap节省很多时间。

研究者用对抗损失训练了一个深度网络，用来预测蒙版。他们首先利用带有 ground truth 的合成数据训练了一个具有监督损失的蒙版网络。为了在不label的情况下缩小合成图像与真实图像的差距，他们在第一个网络的指导下训练了另一个蒙版网络，并通过一个判别器来判断合成图像的质量。研究者在诸多图像和视频上测试了他们提出的新方法，发现这一方法显著优于之前的 SOTA。

其实这里也用到了GAN的方式。

本文方法一些限制：

需要两张图：人物前景+无人纯背景
静态背景，固定相机效果最好
主要适合前景为人的

method

在这里插入图片描述

$I_i = \alpha_i F_i + (1-\alpha_i)B_i, \alpha \in [0,1]$ , 之前的方法通常是有7个未知量，本文的方法近似于知道了 $I, B$ 未知 $\alpha,F$ ，因为拍照得到的没有人物的背景图，会因为人的阴影，或者相机移动，图片没有对齐等原因，并不是一个真正的背景图，所以可以认为近似 $B^{'}$ 。

系统的输入是一张图像或一个视频，图像/视频中的人站在静态的自然背景前，此外还需输入一张纯背景图（就是 $B^{'}$ ）。背景图的获取很简单，只需要让人物走出取景区域，然后操作曝光、焦距都已固定的相机进行拍摄（如智能手机相机）。对于手持相机，研究者假设相机的移动幅度很小，利用单应性（homography）将背景与给定的输入图像对齐。从输入中，研究者还提取了目标人物的软分割（soft segmentation）。对于视频输入，可以添加临近的帧来辅助生成蒙版（motion prior）。

研究者首先在 Adobe Matting 数据集（只用不透明物体的图像）上训练了一个深度蒙版网络。该网络将带有人物的图像 I、纯背景图像 B‘、人物 S、相邻帧的时间堆栈 M（可选）的软分割作为输入，输出则是一个前景图 F 和一个前景蒙版α。为了生成 S，研究者应用了人物分割、腐蚀（erode）、膨胀（dilate）以及高斯模糊。在处理视频时，他们将 M 设为 I 前后相连的两帧。设两帧间隔为 T，则选取的相邻帧为 {I−2T , I−T , I+T , I+2T }。这些图像被转换为灰度图，以忽略颜色，更加专注于运动信息。如果输入中没有视频，研究者就将 M 设定为 {I, I, I, I}，这些图像也转化为灰度图。

研究者提出了一个语境转换块（Context Switching block，CS block）网络，以根据输入图像更有效地结合所有输入信息的特征（见上图 2）。举个例子，当人物的一部分背景相似时，网络应该更加关注该区域的分割线索。该网络有四个编码器，分别产生 256 个通道的特征图，然后通过应用 1x1 卷积、BatchNorm 和 ReLU 将来自 I 的图像特征分别与 B '、S 和 M 的结合起来，为这三对中的每一对生成 64 通道特征。最后，他们通过 1x1 卷积、BatchNorm 和 ReLU 将这三组 64 通道特征与最初的 256 通道特征相结合，得到编码后的特征并将其传给网络的其他部分，包括残差块和解码器。研究者观察到，上述 CS 块架构有助于网络从 Adobe 数据集泛化到实际数据。

实验结果 见paper

总结： 提出了一种背景matting技术，该技术可以在自然环境中随意捕获高质量的前景+alpha matter。该方法需要固定相机拍摄两张图，有目标的+无目标的背景图。不需要绿幕/trimap。

看到这篇文章的demo，真的很惊艳，效果很好，头发边缘清晰，即使视频中的人物甩头也没有影响合成效果。而且文章开源了代码，给出了完整的训练和测试代码。还有很多细节的地方，后续再细看，跑一下代码。

4. 旷视 ICCV2019 《Disentangled Image Matting》

这篇文章的方法在当时的通用的数据集 Adobe Composition-1k 上刷新了最优成绩，并在 http://alphamatting.com 上取得第一。

文章发现抠图可分为 trimap adaptation 和 alpha estimation 两个任务，并受此启发，旷视研究院提出了一个简单但强大的抠图框架，称之为 AdaMatting (Adaptation and Matting) 。

$I_i = \alpha_i F_i + (1-\alpha_i)B_i, \alpha \in [0,1]$

根据上面的公式，已知三个变量，未知7个变量。对于大多数现有的抠图算法，约束解空间的基本输入是三元图（trimap），一个指示不透明度和未知区域的粗糙的分割图。不论是生成trimap还是人工标注trimap，trimap通常是粗糙的。这篇文章特意指出了一个我们先前常常忽略掉的问题，输入的trimap通常是粗糙的，不精确的。之前的matting方法，基于这样的trimap尝试直接估值一个好的前景蒙版。

文章认为，在这一过程中，一个分类问题没有得到充分解决。如果仔细观看三元图，未知区域的像素将会分入三个集合：不透明前景，不透明背景以及半透明区域。前两类称之为不透明像素，后一类称之为混合像素。抠图方法的期望行为是为不透明像素生产精确的 0 和 1，同时精确评估混合像素的微小不透明度 $\alpha$ （介于 0 和 1 之间）。

所以文章认为抠图这一任务包含两个相关但又不同的任务。

第一个是分类未知区域中的像素以确认混合像素，本文称之为 trimap adaptation，第二个是精确计算混合像素的不透明值，本文称之为 alpha estimation。