智能抠图

定义

智能抠图指系统自动分析图像内容，识别出商品、人像、动物等显著性主体，去除背景并返回只含主体的图片^[2]。它与常说的图像分割有联系也有区别：分割给出的是二值结果，每个像素只判断属于前景还是背景；抠图给出的是透明度图像（alpha matte），每个像素取 0 到 1 之间的连续实数，反映该处前景颜色的占比，因而能表现发丝、玻璃、烟雾这类半透明或边缘混合的情形。

抠图任务在数学上可以写成 $C = \alpha F + (1-\alpha)B$，其中 $C$ 为观测到的像素颜色，$F$ 为前景颜色，$B$ 为背景颜色，$\alpha$ 为前景不透明度。该式对彩色图像而言只有 3 个方程，却含有 $F$、$B$、$\alpha$ 共 7 个未知量，因此求解本身是欠定的^[4]。

原理

为化解欠定问题，早期方法通过额外输入约束解空间。三分图（trimap）把图像粗分为确定前景、确定背景和未知区域三部分，网络只在未知区域估计透明度，其余区域按已知值处理。另一类思路是提供无前景的背景图，或用用户的点击、涂画作为约束信息，让算法据此推断过渡区域的 alpha 值^[5]。蓝幕、绿幕抠图是约束最强的特例，拍摄时已知背景颜色，未知量随之减少，因而可以快速求解。

深度学习进入这一领域后，主流做法是把任务拆成粗分割与边缘细化两步。常见结构包括编码器-解码器网络、注意力机制、金字塔池化等模块：语义分割分支负责判断哪里是主体，细节分支负责在发丝、透明区域等过渡带恢复精度，两支结果融合后输出最终的 alpha 遮罩^[6][7]。为进一步省去人工标注，研究者提出了不依赖三分图的方案，网络先自行生成粗略掩膜或三分图，再据此预测 alpha，从而实现端到端自动抠图^[1]。

抠图质量通常用 4 项客观指标衡量：绝对误差和（SAD）、均方误差（MSE）、梯度误差（Grad）和连通性误差（Conn）^[8]。SAD 与 MSE 统计预测遮罩和真值遮罩在像素级上的差异，梯度误差反映边缘处是否出现过度平滑或错误的不连续，连通性误差衡量前景最大连通区域是否保持完整^[9]。

发展历程

图像抠图问题在影视工业中早已出现，最初被称为“活动遮片”（travelling matte）问题，靠蓝幕、绿幕和三角抠图等特定拍摄条件求解^[10]。非深度学习时期的方法主要分为基于采样和基于传播两类：前者通过在过渡区采样前景、背景颜色来推断 alpha，后者利用像素间的颜色与空间相似性把已知区域的 alpha 值扩散到未知区域^[7]。

2017 年提出的深度图像抠图（Deep Image Matting）是较早实现端到端预测 alpha 的算法，模型分为编码器-解码器阶段和细化阶段^[1]。该工作同时公开了 Composition-1K 数据集，把精细标注的前景与不同背景合成，提供大量训练样本，缓解了此前抠图数据稀缺的问题。此后一批基于三分图的网络相继出现，风格多为“先粗后细”的两段式结构。

约 2020 年前后，研究重心转向去掉先验信息的实时方案，例如以背景图替代三分图的 Background Matting 系列，以及面向人像、可实时运行的轻量网络^[1]。视觉自注意力架构被引入后，模型能以单张 RGB 图像实现端到端人像抠图，并减少参数量和计算开销^[7]。近年还出现了以自然语言描述指定抠取对象的可控抠图方向，辅助输入的形态从三分图、涂画扩展到文本^[10]。

应用

电商是智能抠图落地最集中的领域。把商品图的主体与背景分离后可得到透明背景素材，用于合成差异化活动海报，也能让图片更好地适配移动端深色模式，减少人工适配成本^[3]。公有云厂商以 API 形式对外提供该能力，支持返回白底图或透明 PNG，并可指定输出尺寸与背景颜色^[2]。

在图像编辑与设计流程中，智能抠图用于换背景、制作证件照和批量出透明底素材^[11]。抠图结果与视频会议、直播、影视后期中的虚拟背景和场景合成直接相关，抠取前景后即可与新背景融合^[12]。此外，按语义描述提取指定元素的方式也被用于从图片中选取特定对象，例如输入文字说明后自动抠出对应内容^[13]。

局限

抠图算法对输入内容较为敏感。厂商文档指出，主体占比大、轮廓完整、主体明确的商品主图处理效果较好，而透明材质、主体不明确的图片（如使用步骤图、局部细节图、多商品拼图）容易出现偏差或错误^[14]。玻璃、水面、烟雾等物体缺乏清晰的语义边界，也是公认的难点^[6]。

输入分辨率和成像质量同样制约效果。极端模糊或低分辨率图像会丢失细节，使边缘不确定性上升^[6]。采用三分图作先验的方法，其精度很大程度取决于三分图质量；三分图本身需要人工绘制，耗时费力，这也是研究者转向无先验方案的原因^[1]。另有文献指出，端到端抠图过于关注局部细节，可能导致主体内部出现空洞，并因流程复杂而运行较慢^[15]。

评价体系本身也有局限。MSE 会对偏差较大的像素施加更强惩罚，因而同一方法的 SAD 值小并不意味着 MSE 值也小，指标之间不一定同向变化^[16]。对于不依赖三分图的方法，指标需要在整幅图像上计算，过渡区域与非过渡区域的误差分布不同，这使得不同方法之间的比较需要说明统计范围^[17]。

参见

• 图像分割 —— 抠图的基础性任务，输出二值前景背景划分，是抠图的一种特殊情形

• 语义分割 —— 为各像素赋予类别标签，为抠图提供主体位置等语义引导

• 深度学习 —— 智能抠图所依赖的模型训练与推理方法基础

• 计算机视觉 —— 抠图所属的学科领域

• 透明度遮罩 —— 抠图输出的核心结果，记录每个像素的前景占比

• 三分图 —— 传统抠图常用的先验输入，划分确定前景、确定背景与未知区域