基于显著性目标检测的图像前景提取算法研究

摘要

为解决自然场景中深度学习抠像算法依赖于人机交互且前景提取效果不佳的问题，提出了通过检测显著性目标的方式实现图像前景提取算法。该算法由显著性目标检测和alpha估计两个网络组成，前者在基准网络的基础上引入混合损失函数和深监督策略提高图像前景提取的完整度，后者通过增加上下文注意力引导模块的方式优化基准网络，实现对前景图像细节的精确恢复。改进算法以自然场景中人像作为待提取前景进行研究，在自制数据集上训练，公开数据集Composition-1K上测试。改进后算法在均方误差（MSE）指标上低至2.329×10^-4平方像素，梯度误差指标上相较基准算法减小近60%。实验表明，改进后算法提升了头发、玻璃等半透明区域的alpha值估计的准确度从而提高图像中抠像精度，并且具有较强的鲁棒性与泛化能力，可应用于图像编辑等应用场景。

关键词

图像前景提取 / 显著性目标检测 / alpha估计 / 混合损失函数 / 深监督 / 上下文引导