img-processor

简体中文 | English

Image Matting

模型下载

• 通用目标抠图
• 人物抠图

人物抠图效果比较好，其它的没有尝试

目录

• 简介
• 更新动态
• 技术交流
• 模型库
• 使用教程
• 社区贡献
• 学术引用

简介

Image Matting（精细化分割/影像去背/抠图）是指借由计算前景的颜色和透明度，将前景从影像中撷取出来的技术，可用于替换背景、影像合成、视觉特效，在电影工业中被广泛地使用。 影像中的每个像素会有代表其前景透明度的值，称作阿法值（Alpha），一张影像中所有阿法值的集合称作阿法遮罩（Alpha Matte），将影像被遮罩所涵盖的部分取出即可完成前景的分离。

更新动态

• 2022.11
  • 开源自研轻量级抠图SOTA模型PP-MattingV2。对比MODNet, PP-MattingV2推理速度提升44.6%， 误差平均相对减小17.91%。
  • 调整文档结构，完善模型库信息。
  • FastDeploy部署支持PP-MattingV2, PP-Matting, PP-HumanMatting和MODNet模型。
• 2022.07
  • 开源PP-Matting代码；新增ClosedFormMatting、KNNMatting、FastMatting、LearningBaseMatting和RandomWalksMatting传统机器学习算法；新增GCA模型。
  • 完善目录结构；支持指定指标进行评估。
• 2022.04
  • 开源自研高精度抠图SOTA模型PP-Matting；新增PP-HumanMatting高分辨人像抠图模型。
  • 新增Grad、Conn评估指标；新增前景评估功能，利用ML算法在预测和背景替换时进行前景评估。
  • 新增GradientLoss和LaplacianLoss；新增RandomSharpen、RandomSharpen、RandomReJpeg、RSSN数据增强策略。
• 2021.11
  • Matting项目开源, 实现图像抠图功能。
  • 支持Matting模型：DIM， MODNet；支持模型导出及Python部署；支持背景替换功能；支持人像抠图Android部署。

技术交流

• 如果大家有使用问题和功能建议, 可以通过GitHub Issues提issue。
• 欢迎加入PaddleSeg的微信用户群👫（扫码填写简单问卷即可入群），大家可以和值班同学、各界大佬直接进行交流，还可以领取30G重磅学习大礼包🎁
  • 🔥 获取深度学习视频教程、图像分割论文合集
  • 🔥 获取PaddleSeg的历次直播视频，最新发版信息和直播动态
  • 🔥 获取PaddleSeg自建的人像分割数据集，整理的开源数据集
  • 🔥 获取PaddleSeg在垂类场景的预训练模型和应用合集，涵盖人像分割、交互式分割等等
  • 🔥 获取PaddleSeg的全流程产业实操范例，包括质检缺陷分割、抠图Matting、道路分割等等
    
    

模型库

针对高频应用场景 —— 人像抠图，我们训练并开源了高质量人像抠图模型库。根据实际应用场景，大家可以直接部署应用，也支持进行微调训练。

模型库中包括我们自研的高精度PP-Matting模型和轻量级PP-MattingV2模型。

• PP-Matting是PaddleSeg自研的高精度抠图模型，通过引导流设计实现语义引导下高分辨率图像抠图。追求更高精度，推荐使用该模型。 且该模型提供了512和1024两个分辨率级别的预训练模型。
• PP-MattingV2是PaddleSeg自研的轻量级抠图SOTA模型，通过双层金字塔池化及空间注意力提取高级语义信息，并利用多级特征融合机制兼顾语义和细节的预测。 对比MODNet模型推理速度提升44.6%， 误差平均相对减小17.91%。追求更高速度，推荐使用该模型。

模型	SAD	MSE	Grad	Conn	Params(M)	FLOPs(G)	FPS	Config File	Checkpoint	Inference Model
PP-MattingV2-512	40.59	0.0038	33.86	38.90	8.95	7.51	98.89	cfg	model	model inference
PP-Matting-512	31.56	0.0022	31.80	30.13	24.5	91.28	28.9	cfg	model	model inference
PP-Matting-1024	66.22	0.0088	32.90	64.80	24.5	91.28	13.4(1024X1024)	cfg	model	model inference
PP-HumanMatting	53.15	0.0054	43.75	52.03	63.9	135.8 (2048X2048)	32.8(2048X2048)	cfg	model	model inference
MODNet-MobileNetV2	50.07	0.0053	35.55	48.37	6.5	15.7	68.4	cfg	model	model inference
MODNet-ResNet50_vd	39.01	0.0038	32.29	37.38	92.2	151.6	29.0	cfg	model	model inference
MODNet-HRNet_W18	35.55	0.0035	31.73	34.07	10.2	28.5	62.6	cfg	model	model inference
DIM-VGG16	32.31	0.0233	28.89	31.45	28.4	175.5	30.4	cfg	model	model inference

注意：

• 指标计算数据集为PPM-100和AIM-500中的人像部分共同组成，共195张，PPM-AIM-195。
• FLOPs和FPS计算默认模型输入大小为(512, 512), GPU为Tesla V100 32G。FPS基于Paddle Inference预测库进行计算。
• DIM为trimap-based的抠图方法，指标只计算过度区域部分，对于没有提供trimap的情况下，默认将0<alpha<255的区域以25像素为半径进行膨胀腐蚀后作为过度区域。

使用教程

• 在线体验
• 快速体验
• 全流程开发
• 人像抠图Android部署
• 人像抠图.NET部署
• 数据集准备
• AI Studio第三方教程
  • PaddleSeg的Matting教程
  • PP-Matting图像抠图教程

社区贡献

• 感谢钱彬(Qianbin)等开发者的贡献。
• 感谢Jizhizi Li等提出的GFM Matting框架助力PP-Matting的算法研发。

学术引用

@article{chen2022pp,
  title={PP-Matting: High-Accuracy Natural Image Matting},
  author={Chen, Guowei and Liu, Yi and Wang, Jian and Peng, Juncai and Hao, Yuying and Chu, Lutao and Tang, Shiyu and Wu, Zewu and Chen, Zeyu and Yu, Zhiliang and others},
  journal={arXiv preprint arXiv:2204.09433},
  year={2022}
}

参考文档

https://gitee.com/paddlepaddle/PaddleSeg/blob/release/2.8/Matting/docs/quick_start_cn.md