你還在用P.S.等商業軟件，滑著鼠標，一點點勾勒圖像邊緣完成摳圖嘛？有些大神可能會說：我可以用蒙板、通道等等高端操作實現超快摳圖！但如果能有一個軟件可以實現智能全自動摳圖，完美保留發絲、樹葉等精細邊緣，還完全免費，甚至代碼全部開源——它不香嘛？

圖1 Matting效果展示

這絕對不是畫餅，近期一項被稱為Matting的算法可算是火爆了AI界，相比于單純的圖像分割技術，它可以根據透明度更進一步的對圖像的像素進行分類（如下圖），不僅圖像中的主體目標被精準摳出，連超精細的毛絨邊緣和透明玻璃杯都可以完美摳出！傳統的圖像分割摳圖策略是完全不可達到的，懂行的人看到這里是不是已經激動地汗毛直立了？

圖2 Matting原理說明

小編趕緊給大家貼上項目鏈接地址

墻裂推薦小伙伴們star收藏!

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/Matting

本項目是PaddleSeg團隊推出的高性能PP-Matting系列模型，它根據用戶對圖像分辨率的需求，提供最相匹配的模型，精度上能夠在Trimap Free方向達到SOTA級別。此外，本項目還充分考慮了實際部署環境，針對邊緣端、服務端等對模型體積等指標進行相應優化。

不僅如此，PaddleSeg團隊還特別針對人像進行特殊優化處理，提供了不同場景下的預訓練模型及部署模型，既可直接部署使用，也可根據具體任務進行微調，簡直貼心到家！

圖3 PP-Matting 算法精度說明

PP-Matting已經被開發者們廣泛應用在各種場景中，如有愛的萌寵開發者小伙伴們已經實現了”貓像摳圖”，給自己可愛的小貓咪DIY了各種酷炫寫真。

圖4 “貓像摳圖”示例

此外，有開發者基于Matting模型，開發了一鍵上傳圖片進行摳圖的Web Demo，同樣歡迎大家在PaddleSeg的github頁面訪問使用。鏈接如下：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/Matting

圖5 Web端Matting示例

當然，看到這么好的技術，硬核的小伙伴會關注技術上的實現。一般來說，基于深度學習的Matting分為兩大類：

• 一種是基于輔助信息輸入。即除了原圖和標注圖像外，還需要輸入其他的信息輔助預測，如Trimap、背景、交互點等作為輔助信息。

• 一種是不依賴任何輔助信息，直接實現Alpha預測。

圖6 Matting原理說明

而PP-Matting設計的初衷，就是為了能夠方便用戶快速實現摳圖，因此用戶在使用時不依賴輔助信息的輸入，便可直接獲得預測的結果。為了實現更高的效果，PP-Matting設計了Semantic context branch (SCB)、high-resolution detail branch (HRDB)兩個分支，分別進行語義和細節預測，通過引導流機制，進行語義引導下的高分辨率細節預測，進而實現Trimap-free高精度圖像摳圖。

圖7 PP-Matting原理示意圖

正是由于這一系列的設計，最終讓PP-Mattig在不依靠其他輸入的情況下，依舊獲得了更高精度的預測結果。

歡迎感興趣的小伙伴們

一起體驗Matting的技術魅力

圖像集引用說明：

圖1、圖2源于公開數據集：Distinctions-646

圖4源于免費版權圖片庫https://www.pexels.com/zh-cn/

關注【】公眾號

獲取更多技術內容~

總結

以上是生活随笔為你收集整理的SOTA级发丝抠图模型PP-Matting开源，支持多场景精细化分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。