当前位置: X-MOL 学术Int. J. Intell. Syst. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Foreground–background decoupling matting
International Journal of Intelligent Systems ( IF 5.0 ) Pub Date : 2022-09-05 , DOI: 10.1002/int.23018
Jiawei Wu 1, 2 , Guolin Zheng 2, 3 , Kun Zeng 2 , Haoyi Fan 4 , Zuoyong Li 2
Affiliation  

Image matting aims to extract specific objects, deployed in many applications. Generally, the automatic matting methods need an extra before overcome the intricate details and the diverse appearances. Recently, the matting community has paid more attentions to the investigation of trimap-free matting direction to address the dependency of priors. Most trimap-free approaches divide the matting task into global segmentation and detail matting subtasks. Unfortunately, these methods suffer from stagewise modeling, uncorrectable errors, or subtasks bottleneck problems. To address these issues, we propose a new set of matting subtasks, including foreground segmentation, background segmentation, and disambiguation. And we present a novel Foreground–Background Decoupling Matting (FBDM) network motivated by the new subtasks. Specifically, we first design a nested attention mechanism to decouple the backbone features. Then, we utilize two independent progressive semantic decoders by the decoupling features to complete the foreground and background segmentation subtasks. Finally, we utilize multiple of the proposed frequency division local disambiguation modules to achieve the disambiguation subtask. Besides, we establish a challenging potted plant (PPT) benchmark which contains 100 potted plants images in the real world for the matting community. Extensive experiments on several public benchmarks and the PPTs benchmark demonstrate that the proposed FBDM generates the best results compared with the state-of-the-art trimap-free methods.

中文翻译:

前景-背景去耦抠图

图像抠图旨在提取部署在许多应用程序中的特定对象。通常,自动抠图方法需要额外的才能克服复杂的细节和多样的外观。最近,抠图社区更加关注研究无 trimap 抠图方向以解决先验依赖问题。大多数无 trimap 方法将抠图任务分为全局分割和细节抠图子任务。不幸的是,这些方法存在阶段建模、不可纠正的错误或子任务瓶颈问题。为了解决这些问题,我们提出了一组新的抠图子任务,包括前景分割、背景分割和消歧。我们提出了一个由新子任务驱动的新颖的前景-背景去耦抠图(FBDM)网络。具体来说,我们首先设计了一个嵌套的注意力机制来解耦主干特征。然后,我们通过解耦特征利用两个独立的渐进式语义解码器来完成前景和背景分割子任务。最后,我们利用多个提出的频分局部消歧模块来实现消歧子任务。此外,我们建立了一个具有挑战性的盆栽植物 (PPT) 基准,其中包含 100 个真实世界中的盆栽植物图像,供垫草社区使用。在几个公共基准和 PPTs 基准上进行的大量实验表明,与最先进的无 trimap 方法相比,所提出的 FBDM 产生了最好的结果。我们通过解耦特征利用两个独立的渐进式语义解码器来完成前景和背景分割子任务。最后,我们利用多个提出的频分局部消歧模块来实现消歧子任务。此外,我们建立了一个具有挑战性的盆栽植物 (PPT) 基准,其中包含 100 个真实世界中的盆栽植物图像,供垫草社区使用。在几个公共基准和 PPTs 基准上进行的大量实验表明,与最先进的无 trimap 方法相比,所提出的 FBDM 产生了最好的结果。我们通过解耦特征利用两个独立的渐进式语义解码器来完成前景和背景分割子任务。最后,我们利用多个提出的频分局部消歧模块来实现消歧子任务。此外,我们建立了一个具有挑战性的盆栽植物 (PPT) 基准,其中包含 100 个真实世界中的盆栽植物图像,供垫草社区使用。在几个公共基准和 PPTs 基准上进行的大量实验表明,与最先进的无 trimap 方法相比,所提出的 FBDM 产生了最好的结果。我们建立了一个具有挑战性的盆栽植物 (PPT) 基准,其中包含 100 个真实世界中的盆栽植物图像,用于消光社区。在几个公共基准和 PPTs 基准上进行的大量实验表明,与最先进的无 trimap 方法相比,所提出的 FBDM 产生了最好的结果。我们建立了一个具有挑战性的盆栽植物 (PPT) 基准,其中包含 100 个真实世界中的盆栽植物图像,用于消光社区。在几个公共基准和 PPTs 基准上进行的大量实验表明,与最先进的无 trimap 方法相比,所提出的 FBDM 产生了最好的结果。
更新日期:2022-09-05
down
wechat
bug