會議：ICCV-2019
概述：
大部分先前的圖像摳圖方法都需要輸入一個粗略的trimap，來估計未知區域的alphad1值，論文認爲trimap是粗略的，而之前的模型將trimap作爲輸入，試圖估計一個好的蒙版，存在一個迴歸問題；
AdaMatting一個新的端到端的圖像修復框架，將任務分解爲兩個子任務 trimap adaptation 和 alpha estimation
trimap adaptation：
一個像素分類問題，通過識別圖像的前景區域、背景區域、半透明區域來推斷圖像的結構
alpha estimation：
一個迴歸問題，計算每一個混合像素的值
1.介紹
輸入圖像可以被建模爲前景與背景顏色的線性組合：
論文認爲以前的論文以trimap作爲輸入，存在不夠精確的問題，且一個分類問題不足以解決圖像摳圖問題；
未知區域的像素可以分爲三種：不透明的前景、不透明的背景、和半透明的混合像素，而圖像摳圖的目的是不透明像素生成精確的0,1，而半透明像素精確估計混合像素值，故而將該任務分解爲trimap adaptation-未知像素的分類問題和alpha estimation-混合像素值的估計問題；
現在的方法過度依賴低維特徵，比如顏色分佈、上下文，缺乏對高維信息——語義的使用
2.相關工作
自然圖像摳圖
Trimap生成
多任務學習
3方法
trimap adaptation：
蒙版值代表的含義：
根據
的定義，圖像摳圖自然可以分爲兩步：1.決定蒙版像素值是1,0或其他；2.精確計算半透明區域的值
網絡概述
有一個編碼網絡，兩個解碼網絡（分別對應trimap adaptation 和 alpha estimation），一個propagation單元組成
網絡以圖像與對應的trimap 聯合作爲輸入，首先經過編碼網絡（ResNet-50）生成特徵圖，然後經過兩個解碼網絡（由3*3的卷積層和上採樣模塊組成），trimap解碼（T-Decoder）輸出3通道的分類圖，alpha解碼（A-Decoder）輸出1通道的蒙版值
多任務自動編碼
基於U-Net並加入global convolutions來擴大感受野
propagation單元
由兩個ResBlocks和一個LSTM cell組成
損失函數
T和 α分別爲T-Decoder和A-Decoder的輸出，σ1 和 σ2爲兩個任務的權重參數，LT （交叉熵損失）and Lα（L1正則化損失）分別爲trimap解碼、alpha解碼的損失