会议：ICCV-2019
概述：
大部分先前的图像抠图方法都需要输入一个粗略的trimap，来估计未知区域的alphad1值，论文认为trimap是粗略的，而之前的模型将trimap作为输入，试图估计一个好的蒙版，存在一个回归问题；
AdaMatting一个新的端到端的图像修复框架，将任务分解为两个子任务 trimap adaptation 和 alpha estimation
trimap adaptation：
一个像素分类问题，通过识别图像的前景区域、背景区域、半透明区域来推断图像的结构
alpha estimation：
一个回归问题，计算每一个混合像素的值
1.介绍
输入图像可以被建模为前景与背景颜色的线性组合：
论文认为以前的论文以trimap作为输入，存在不够精确的问题，且一个分类问题不足以解决图像抠图问题；
未知区域的像素可以分为三种：不透明的前景、不透明的背景、和半透明的混合像素，而图像抠图的目的是不透明像素生成精确的0,1，而半透明像素精确估计混合像素值，故而将该任务分解为trimap adaptation-未知像素的分类问题和alpha estimation-混合像素值的估计问题；
现在的方法过度依赖低维特征，比如颜色分布、上下文，缺乏对高维信息——语义的使用
2.相关工作
自然图像抠图
Trimap生成
多任务学习
3方法
trimap adaptation：
蒙版值代表的含义：
根据
的定义，图像抠图自然可以分为两步：1.决定蒙版像素值是1,0或其他；2.精确计算半透明区域的值
网络概述
有一个编码网络，两个解码网络（分别对应trimap adaptation 和 alpha estimation），一个propagation单元组成
网络以图像与对应的trimap 联合作为输入，首先经过编码网络（ResNet-50）生成特征图，然后经过两个解码网络（由3*3的卷积层和上采样模块组成），trimap解码（T-Decoder）输出3通道的分类图，alpha解码（A-Decoder）输出1通道的蒙版值
多任务自动编码
基于U-Net并加入global convolutions来扩大感受野
propagation单元
由两个ResBlocks和一个LSTM cell组成
损失函数
T和 α分别为T-Decoder和A-Decoder的输出，σ1 和 σ2为两个任务的权重参数，LT （交叉熵损失）and Lα（L1正则化损失）分别为trimap解码、alpha解码的损失