ICCV 2019 | 旷视研究院提出新型抠图方法AdaMatting，实现当前最佳

来源 | 旷视研究院

两年一度的国际计算机视觉大会 ICCV 2019 ( IEEE International Conference on Computer Vision) 将于当地时间 10 月 27 至 11 月 2 日在韩国首尔举办。旷视研究院共有 11 篇接收论文，涵盖通用物体检测及数据集、文字检测与识别、半监督学习、分割算法、视频分析、影像处理、行人/车辆再识别、AutoML、度量学习、强化学习、元学习等众多领域。在此之前，旷视研究院将每周介绍一篇 ICCV 2019 接收论文，助力计算机视觉技术的交流与落地。

本文是第 6 篇，由于发现了抠图可分为 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) ，同时克服了诸多局限性。该方法在最为通用的数据集 Adobe Composition-1k 上刷新了当前最优成绩，并在 alphamatting.com 上取得第一。

论文名称：

Disentangled Image Matting

论文地址：

https://arxiv.org/abs/1909.04686

目录

• 导语
• 简介
• 方法
  • Trimap Adaptation
  • Network Overview
  • Multi-task Loss
• 实验
  • Results on alphamatting.com
  • Results on Composition-1k
• 讨论
  • Accuracy of Trimap Adaptation
  • Real World Image Matting
• 结论
• 附录
  • More Qualitative Results
• 参考文献
• 往期解读

导语

抠图旨在精确地评估图像和视频中前景物体的不透明度。它是一系列应用的预处理，比如电影制片和数字图像编辑。

一般来讲，输入图像 I 被建模为前景和背景色彩的线性结合，如下所示：

其中，F_i、B_i、α_i 分别是指像素 i 前景色彩和背景色彩以及前景蒙版（alpha matte）估值。给定一张图像 I，抠图旨在同时解决 F、B、α。

由等式 1 可知，这一问题是高度不适定的（highly ill-posed）。对于一张 RGB 图像，每个像素需要 7 个变量来共同界定，却只有 3 个已知变量。

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。

三元图由使用者涂鸦交互生成，或者由二值图像分割结果自动生成。无论何种方式，输入的三元图通常是粗糙的，即未知区域（图 1b 中的灰色区域）包含真实的半透明像素以及大量的不透明像素。这是因为通过人工标注来提供精确的三元图极其繁琐，并且难以使用运行在低分辨率图像的图像分割方法来实现。

图 1：(a) 输入图像， (b) 输入三元图，(c) 本文抠图结果， (d) trimap adaptation 相应结果

不幸的是，先前的抠图方法经常忽视输入三元图的不精确性，并尝试直接估值一个好的前景蒙版。

旷视研究院认为，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（介于 0 和 1 之间）。

由此可见，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。

研究员观察到，这两项任务需要相当不同的算法能力。第一种更多地依赖对物体形状和结构的很好的语义理解，从而可基于图像特征有效识别未知区域的前景和背景区域。

对于第二种任务，合理的利用低语义的图像线索更为关键。其中 trimap adaptation 可被建模为一个分类任务，而 alpha estimation 可被看作一个典型的回归任务。

大多数现有抠图方法把抠图当作单一的回归任务，它们忽略了抠图中的分类属性。这一观察带来的问题是，如何在一个解决方案中协调抠图问题的两个不同方面。

现有抠图方法，尤其是基于优化的方法，太过依赖于低阶的特征，比如色彩分布和局部纹理，并且缺乏整合高阶特征的能力。

正如最近一些工作所示，更好地理解物体的结构和形状有利于图像抠图。尽管宣称使用高阶特征，这些方法通常只利用预训练特征，并且不使用显式的语义目标作指导。

简介

正是由于发现抠图可分为 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) ，同时克服了上述的局限性。

AdaMatting 借助多任务的方式在两个不同的解码器分支内执行这两个任务。通过显式监督模型以区分混合像素和不透明像素，接着使用优化的三元图约束 alpha estimation 的输出，这个两个分支分别处理这一任务的不同方面。

此外，通过共享两个任务的特征，大大提升了对模型的物体形状和结构信息的理解，如图 2 所示。

图 2：AdaMatting pipeline

本文主要贡献如下：

• 提出一种新观点，即抠图应区分为 trimap adaptation 和 alpha estimation 两个任务，并证明这一区分对于提升基于 CNN 的抠图方法至关重要。
• 提出一个全新的框架，其中这两种任务可以多任务的方式进行联合优化。大量实验表明，这一方法可以更好地利用语义信息为已训练的 CNN 模型提供额外的结构感知力和三元图容错能力。
• 该方法在最为通用的数据集 Adobe Composition-1k 上刷新了当前最优成绩，并在 alphamat-ting.com 上取得第一。

方法

本节首先准确界定 trimap adaptation 这一任务，接着描述 AdaMatting 的 pipeline 和训练方案。

• Trimap Adaptation

令 α_gt 作为前景蒙版 ground truth ，那么，一张图像相应的最优三元图 T_opt 可写为：

给定一张已做三元图处理的输入图像， trimap adaptation 的目的是预测最优的三元图 T_opt，直观来讲， 即是把半透明的区域与不透明的前景和背景分开。

根据 T_opt 的定义，抠图自然地分为两步：1）确定 α 是否正好为 0、1 或者两者都不是；2）如果区域是半透明的，精确计算 α。

注意，本文不需要预测标签与输入三元图良好兼容：如果用户输入存在镜像错误，研究员希望模型可以修正它。

图 1d 给出了由本文模型给出的 trimap adaptation 实例。由图可知，第一个输入三元图中的未知区域宽泛且有错误，由于低质量标注而没有覆盖所有的头发。

执行 trimap adaptation 之后，输出三元图不仅缩小而且被纠正，从而产生了更可靠的前景蒙版。

对于第二张输入图像，自动化三元图生产算法没能给出一个有意义的三元图。但是，在这种极端情况下，AdaMatting 令人吃惊地改写了一个相对精确的三元图，并且完美解决了抠图的这一困难问题。

• Network Overview

本文设计了一个完全端到端的 CNN 模型，称之为 AdaMatting，图 2 给出了其 pipeline。它包含一个产生共享表征的编码器，以及两个相互独立的解码器，以分别处理 trimap adaptation 和 alpha estimation 两个任务。trimap adaptation 和中间前景蒙版的结果接着输入到 propagation unit，形成最终的前景蒙版。

AdaMatting 把与相应三元图相连的图像作为输入。首先，一个前端全卷积编码器产生深度特征以作为共享的特征。接着，两个独立的解码器用于每个任务，旨在学习从共表征到期望输出的映射。

每个解码器包含若干个 3x3 卷积层以及上采样模块。三元图解码器输出 3 个通道的分类 logits，由交叉熵损失来引导；α 解码器输出 1 个通道的中间值 α 估计，进入 propagation unit 以做进一步优化。

• Multi-task Loss

如上所述，在 AdaMatting 中，trimap adaptation 可被建模为一个分割任务，把输入图像分为前景、背景和半透明区域。解决这类分割问题的过程可带来丰富的语义特征，反过来这有助于解决前景蒙版回归的问题。

本文采用了不确定性损失，而不是线性结合的损失函数。这一损失可写为：

实验

本文开展了大量实验，证明 AdaMatting 在两个公开数据集上的有效性：1) al-phamatting.com，2) Adobe Composition-1k test set，且后者的物体种类更多，背景区域更为复杂。本节将会把 AdaMatting 与当前最优方法从定量和定性两个方面做对比。

• Results on alphamatting.com

本文把结果提交至 alphamatting.com，取得了当前最佳的表现，在所有三项指标的平均性能上位列第一。梯度误差和 MSE 结果如表 1 所示。

表 1：alphamatting.com 数据集上本文方法与其他 5 个当前最优方法的平均排名结果

视觉对比效果如图 4 所示。

图 4：alphamatting.com test set 两张图像的定性对比结果

• Results on Composition-1k

在 Composition-1k test set 上，本文对 6 个最新的抠图方法做了评估，它们是 Closed Form、KNN、DCNN、Information Flow、AlphaGAN 和 Deep Image Matting。Grad、SAD 和 MSE 下的量化结果如表 2 所示。很明显，AdaMatting 在所有指标上大幅超越其他所有方法。

表 2：Composition-1k test set 上的定量对比结果

另外，数据集中给出了一些非常困难的图像，其中前景颜色和背景很难区分。两个实例如图 5 所示。

图 5：Adobe Composition-1k test set 上的定性对比结果

很明显可以看到，相较于所有其他方法，本文结果包含更为生动的细节，伪影也大幅减少。

讨论

• Accuracy of Trimap Adapatation

本文还对 trimap adaptation 任务对抠图任务的影响进行了鲁棒性分析。

表 3：在Adobe 测试集上三元图自适应的准确率（Acc，IOU）以及Gradient Error

• Real World Image Matting

图 6：真实世界里图像的抠图结果。输入的三元图由对人像二元分割掩码进行膨胀后得到

结论

本文从一种解构的视角来分析抠图方法，即该任务可被分为两个子任务：trimap adaptation 和 alpha estimation。

从这一视角出发，本文提出一种新型抠图方法，称之为 AdaMatting，以借助多任务损失联合解决这两项子任务。

通过现实分离两个子任务，并根据不同目标优化它们，模型可从包含丰富语义和音素信息的共享表征中受益巨大。

大量实验证实了 AdaMatting 具有额外的结构感知能力和三元图容错能力。此外，从定量与定性的实验结果来看， AdaMatting 还在两个广泛使用的数据集上展现了优异性能，成为抠图方向上新的当前最佳。

附录

• More Qualitative Results

在 Composition-1k 上的更多结果，如下：

图 7：Adobe Composition-1k test set 上的定性对比结果

在 Real Image 上的更多结果，如下：

图 8：真实世界里的背景替换效果对比

参考文献

• Yung-Yu Chuang, Brian Curless, David H Salesin, and Richard Szeliski. A bayesian approach to digital matting. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Con- ference on, volume 2, pages II–II. IEEE, 2001.
• Yag ̆iz Aksoy, Tae-Hyun Oh, Sylvain Paris, Marc Pollefeys, and Wojciech Matusik. Semantic soft segmentation. ACM Transactions on Graphics (TOG), 37(4):72, 2018.
• Christoph Rhemann, Carsten Rother, Jue Wang, Margrit Gelautz, Pushmeet Kohli, and Pamela Rott. A perceptually motivated online benchmark for image matting. In Computer Vision and Pattern Recognition, 2009. CVPR 2009. IEEE Conference on, pages 1826–1833. IEEE, 2009.
• Ning Xu, Brian Price, Scott Cohen, and Thomas Huang. Deep image matting. In Computer Vision and Pattern Recog- nition (CVPR), 2017.
• Yagız Aksoy, Tunc ̧ Ozan Aydın, Marc Pollefeys, and ETH Zu ̈rich. Designing effective inter-pixel information flow for natural image matting. In Computer Vision and Pattern Recognition (CVPR), 2017.
• Qifeng Chen, Dingzeyu Li, and Chi-Keung Tang. Knn mat- ting. IEEE transactions on pattern analysis and machine intelligence, 35(9):2175–2188, 2013.
• Donghyeon Cho, Yu-Wing Tai, and Inso Kweon. Natural image matting using deep convolutional neural networks. In European Conference on Computer Vision, pages 626–643. Springer, 2016.
• Anat Levin, Dani Lischinski, and Yair Weiss. A closed-form solution to natural image matting. IEEE Transactions on Pattern Analysis and Machine Intelligence, 30(2):228–242, 2008.
• Sebastian Lutz, Konstantinos Amplianitis, and Aljosa Smolic. AlphaGAN: Generative adversarial networks for natural image matting. 2018.

（*本文为 AI科技大本营转载文章，转载请联系作者）