《Background Matting：The World is Your Green Screen》论文笔记

Bertha 。 2023-01-08 04:28 64阅读 0赞

主页：[background-matting][]  
参考代码：[Background-Matting][]

# 1. 概述 #

> 导读：这篇文章对于自然场景下人像抠图提出了一种新的matting方法，在该方法中引入一张背景图片作为参考，此后尽量保持背景画面不动（手持设备存在合理的抖动也可以），将语义分割模型的分割结果/前后帧（可选）也引入作为额外的依据信息。为了使这些信息能够发挥最大的作用，文章引入了一个CS（Context Switching block ）模块去有效选取有用信息，从而经过解码器之后得到更加准确的matting结果。此外，由于matting的过程中往往会夹杂一些背景的像素信息，文章引入GAN网络去判断融合图像的真假，并使用教师网络（已经训练收敛的网络）去引导学生网络生成matting结果，从而使得matting的融合结果更加自然。

文章的方法是**不需要trimap的matting方法**，使用CS模块去提取多个输入的有用信息，之后通过解码器得到最后的结果。但是一般情况下matting的结果中或多或少夹带一些背景像素信息，这就造成了边缘不够友好，通过数据增广和CS模块却是可以得到一定程度上的好转，但是还是存在较为明显的问题，对此文章是通过GAN网络/“知识蒸馏”的形式去优化最后的matting融合结果。

文章的方法也是存在下面列出的缺陷的：

*  1）需要两张图像，一张静态背景和一张包含目标的图像；
 *  2）需要静态的背景且拍摄的时候画面的抖动尽可能小；
 *  3）文章的方法是偏向于人像的；

在下图中展示的是文章的方法的使用流程：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]

# 2. 方法设计 #

## 2.1 整体pipline ##

文章的方法结构见下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]  
文章的方法主要划分为两个部分：

*  1）由CS模块构建的编码器与解码器组合生成前景区域的彩色预测结果（fg）和alpha图；
 *  2）以训练好的网络作为teacher，再加上GAN去判断融合结果是否真实，从而优化matting的融合效果；

## 2.2 Adobe数据集上的监督训练 ##

文章的方法在Adobe Matting Dataset上剔除一些包含透明目标（如玻璃杯）的图片（最后得到280张）进行训练。文章的网络包含包含4部分的输入：

*  1）图像 I I I，该图像是背景图 B ‘ B^\{‘\} B‘和前景进行融合的结果；
 *  2）背景图 B ‘ B^\{‘\} B‘，该图像是选中的背景图，但是在实际过程中其与真实的背景 B B B是不太一样的，文章中为了拉近这两个图片的差异，在真实背景 B B B上做 γ ∼ N ( 1 , 1.02 ) \\gamma\\sim\\mathcal\{N\}(1,1.02) γ∼N(1,1.02)的gamma矫正，或是在前景区域添加 η ∼ N ( μ ∈ \[ − 1 , 7 \] , σ ∈ \[ 2 , 6 \] ) \\eta\\sim\\mathcal\{N\}(\\mu\\in\[-1,7\],\\sigma\\in\[2,6\]) η∼N(μ∈\[−1,7\],σ∈\[2,6\])的高斯噪声；
 *  3）软分割的结果 S S S，文章中是通过分割网络分割得到，将得到的分割结果进行5次腐蚀和10次膨胀，之后施加 σ = 5 \\sigma=5 σ=5的高斯滤波。为了更近一步模拟分割不理想的情况，文章会对分割结果使用更大力度的腐蚀和膨胀等操作；
 *  4）前后帧序列 M M M，文章还引入视频前后帧来进行信息的补充，这里采用的是前后2帧的灰度图 \{ I − 2 T , I − T , I T , I 2 T \} \\\{I\_\{-2T\},I\_\{-T\},I\_\{T\},I\_\{2T\}\\\} \{ I−2T,I−T,IT,I2T\}，而在非视频的时候可以将其设置为同一图像；

结合上面的4个输入可以得到网络的组合输入 X = \{ I , B ‘ , S , M \} X=\\\{I,B^\{‘\},S,M\\\} X=\{ I,B‘,S,M\}，之后通过网络得到最后的前景预测结果和alpha图：  
 ( F , α ) = G ( X ; θ ) (F,\\alpha)=G(X;\\theta) (F,α)=G(X;θ)  
为了能够更好利用上面输入的4个输入信息，避免偏向依赖问题，文章使用CS模块选择这4个输入中对最后matting最有价值的信息。也就是如图2中给出的**Selector**和**Combinator**。

由于这部分网络是在Adobe数据集下完成训练，顾这里将其将其写为为 G A d o b e = G ( ⋅ , θ A d o b e ) G\_\{Adobe\}=G(\\cdot,\\theta\_\{Adobe\}) GAdobe=G(⋅,θAdobe)，以便和后面网络区分开。对与这部分网络的损失，是由4个分量组成的：**alpha图的L1损失，alpha图的梯度损失，2倍的前景区域L1损失，由结果进行重建的L1损失**。其表达为：  
 min ⁡ θ A d o b e E X ∼ p x \[ ∣ ∣ α − α ∗ ∣ ∣ 1 + ∣ ∣ ∇ ( α ) − ∇ ( α ∗ ) ∣ ∣ 1 + 2 ∣ ∣ F − F ∗ ∣ ∣ 1 + ∣ ∣ I − α F − ( 1 − α ) B ∣ ∣ 1 \] \\min\_\{\\theta\_\{Adobe\}\}E\_\{X\\sim p\_x\}\[||\\alpha-\\alpha^\{\*\}||\_1+||\\nabla(\\alpha)-\\nabla(\\alpha^\{\*\})||\_1+\\\\ 2||F-F^\{\*\}||\_1+||I-\\alpha F-(1-\\alpha)B||\_1\] θAdobeminEX∼px\[∣∣α−α∗∣∣1\+∣∣∇(α)−∇(α∗)∣∣1\+2∣∣F−F∗∣∣1\+∣∣I−αF−(1−α)B∣∣1\]  
文章的CS模块对结果的影响见下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]  
前后帧信息对结果的影响：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]

## 2.3 基于GAN的融合优化 ##

通过文章提出的CS模块和数据增广策略可以减少合成数据到真实数据之间的gap，但是这个gap依然还是存在的，特别是在以下的一些情况中表现不佳：

*  1）在手指/胳膊/头发等区域；
 *  2）分割错误结果错误，分割模型结果有问题；
 *  3）前景与背景的颜色接近；
 *  4）后续的图像与背景之间没有对齐，存在移位，如背景的变化与抖动；

上面的问题一般会导致matting之后的结果与新的背景之间融合不正确的情况，表现为会夹带一些原有背景的像素信息。对此文章通过训练一个对抗网络去鉴别融合的真假，从而提升matting网络的matting质量。

这里将生成器定义为 ( F , α ) = G ( ⋅ , θ R e a l ) (F,\\alpha)=G(\\cdot,\\theta\_\{Real\}) (F,α)=G(⋅,θReal)，它与之前的网络是一致的只是参数是通过随机初始化的方式设定。原有网络 ( F ^ , α ^ ) = G ( X ; θ A d o b e ) (\\hat\{F\},\\hat\{\\alpha\})=G(X;\\theta\_\{Adobe\}) (F^,α^)=G(X;θAdobe)的输出作为生成网络的回归目标，类似于知识蒸馏的形式。文章使用LS\_GAN的形式构建对抗网络，其生成器部分目标函数为：  
 min ⁡ θ R e a l E X , B ˉ ∼ p X , B ˉ \[ D ( α F + ( 1 − α ) B ˉ ) 2 + λ \{ 2 ∣ ∣ α − α ^ ∣ ∣ 1 + 4 ∣ ∣ ∇ ( α ) − ∇ ( α ^ ) ∣ ∣ 1 \} + ∣ ∣ F − F ^ ∣ ∣ 1 + ∣ ∣ I − α F − ( 1 − α ) B ‘ ∣ ∣ 1 \] \\min\_\{\\theta\_\{Real\}\}E\_\{X,\\bar\{B\}\\sim p\_\{X,\\bar\{B\}\}\}\[D(\\alpha F+(1-\\alpha)\\bar\{B\})^2+\\\\ \\lambda\\\{2||\\alpha-\\hat\{\\alpha\}||\_1+4||\\nabla(\\alpha)-\\nabla(\\hat\{\\alpha\})||\_1\\\}+||F-\\hat\{F\}||\_1+\\\\ ||I-\\alpha F-(1-\\alpha)B^\{‘\}||\_1\] θRealminEX,Bˉ∼pX,Bˉ\[D(αF\+(1−α)Bˉ)2\+λ\{ 2∣∣α−α^∣∣1\+4∣∣∇(α)−∇(α^)∣∣1\}\+∣∣F−F^∣∣1\+∣∣I−αF−(1−α)B‘∣∣1\]  
判别器部分的目标函数为：  
 min ⁡ θ D i s c E X , B ˉ ∼ p X , B ˉ \[ ( D ( α F + ( 1 − α ) B ˉ ) ) 2 \] + E I ∈ p d a t a \[ ( D ( I ) − 1 ) 2 \] \\min\_\{\\theta\_\{Disc\}\}E\_\{X,\\bar\{B\}\\sim p\_\{X,\\bar\{B\}\}\}\[(D(\\alpha F+(1-\\alpha)\\bar\{B\}))^2\]+E\_\{I\\in p\_\{data\}\}\[(D(I)-1)^2\] θDiscminEX,Bˉ∼pX,Bˉ\[(D(αF\+(1−α)Bˉ))2\]\+EI∈pdata\[(D(I)−1)2\]  
对于结果的后处理是通过阈值 α > 0.05 \\alpha\\gt0.05 α>0.05进行二值化，之后选择最大的 N N N个连通区域，这个数量是通过分割网络确定的。

# 3. 实验结果 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 4]

[background-matting]: https://grail.cs.washington.edu/projects/background-matting/
[Background-Matting]: https://github.com/senguptaumd/Background-Matting
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]: /images/20221119/3b90b8aad66c40df9f360e12e8b6a0c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210119004724258.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210119005103434.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/2021011900512716.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20210119005626384.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk=,size_16,color_FFFFFF,t_70