最近某热门 AI 计划引起网友注目，因听说它能带你环游世界，还能让 AngelaBaby 多拍几部电视剧。
深入了解后，发现原来是一款 AI 影像去背神器，一大早就冲上 GitHub 热门榜。官方介绍，此 AI 神器可让影像处理变简单且专业，不用“绿幕”也能达到逼真、毫无违和感的合成效果。
其实影像去背 AI 已有不少，但这款确实让人很惊艳。先来看下示范影片。
▲ 你能看出公路背景和大海背景的影像，哪个是 AI 合成的吗？连撩起的头发都看不出一丝破绽，就算疯狂跳舞也没有影响效果；动态也是如此，疯狂甩头也能即时捕捉细节。
此超强 AI 去背神器来自香港城市大学和商汤科技联合研究团队，论文第一作者还是在读博士生张汉科。
接下来看看背后的技术原理。
目标分解网络 MODNet
关键在于此 AI 采用轻量级的目标分解网络 MODNet（Matting Objective Decomposition Network），可从不同背景的单个输入图像平滑处理动态人像。
简单说，功能就是影像人像去背。
有些影视作品尤其是古装剧，必须要后期处理人物背景。为了达到逼真的合成效果，拍摄时一般都会使用“绿幕”布景，因绿幕可使高品质的 Alpha 蒙版即时提取图像或影像人物。
如果没有绿幕，通常的技术是光照处理法，即预定义的 Trimap 为自然光照算法输入。这种方法会粗略生成三位图：确定的（不透明）前景，确定的（透明）背景及介于两者的未知（不透明）区域。
如果使用人工三位图不仅昂贵，且深度相机可能会导致精确度下降。因此，针对以上不足，研究人员提出目标分解网络 MODNet。
（Source：arxiv.org）
如图所示，MODNet 由 3 个相互依赖的分支 S、D 和 F 构成，分别透过一个低分辨率分支预测人类语义（SP）、一个高分辨率分支来聚焦纵向的边界细节（DP），最后一个融合分支预测 Alpha Matte （αp）：
- 语义估计（Semantic Estimation）：采用 MobileNetV2[35] 架构，透过编码器（即 MODNet 的低分辨率分支）提取高层语义。
- 细节预测（Detail Prediction）：处理前景肖像周围的过渡区域，以 I，S (I) 和 S 的低层特征为输入。同时对卷积层数、频道、输入分辨率三方面最佳化。
- 语义细节融合（Semantic-Detail Fusion）：一个融合语义和细节的 CNN 模组，向上采样 S (I) 以使其形状与 D（I，S (I)）匹配，再将 S (I) 和 D（I，S (I)）连接起来预测最终 αp。
另外，基于以上底层框架，研究还提出自监督策略 SOC（Sub-Objectives Consistency）和帧延迟处理方法 OFD（One-Frame Delay )。
SOC 策略可保证 MODNet 架构处理未标注数据时，让输出子目标有一致性；OFD 方法在执行人像抠像影像任务时，可在平滑影像序列预测 Alpha 遮罩。如下图：
实验评估
开始实验评估前，研究人员创建一个摄影人像基准数据库 PPM-100（Photographic Portrait Matting）。包含 100 幅不同背景的精细注释肖像图。为了保证样本多样性，PPM-100 还定义成几个分类规则平衡样本类型，如是否包括整个人体；图像背景是否模糊；是否持有其他物体：
PPM-100 的样图具丰富背景和人物姿势，因此可看成较全面的基准。
来看看实验结果：
MODNet 在 MSE（均方误差）和 MAD（平均值）都优于其他无 Trimap 的方法。虽然性能不如采用 Trimap 的 DIM，但如果将 MODNet 修改为基于 Trimap 的方法──即以 Trimap 为输入，性能会优于基于 Trimap 的 DIM，也再次显示 MODNet 的结构体系有优越性。
此外，研究人员还进一步证明 MODNet 在模型大小和执行效率方面的优势。
模型大小透过参数总数衡量，执行效率透过 NVIDIA GTX1080 Ti GPU 超过 PPM-100 的平均参考时间来反映（输入图像裁剪为 512×512）。结果如图：
上图显示，MODNet 的推理时间为 15.8ms（63fps），是 FDMPA（31fps）的两倍。虽然 MODNet 的参数量比 FDMPA 稍多，但性能明显更好。
要注意的是，较少参数并不意味着更快的推理速度，因为模型可能有较大特征映射或耗时机制，如注意力机制（Attention Mechanisms）。
总之，MODNet 提出简单、快速且有效即时人像去背处理方法，仅以 RGB 图像输入，做到场景变化下 Alpha 蒙版预测。此外，由于提出的 SOC 和 OFD，MODNet 实际应用受到的区域转移问题影响也较小。
不过遗憾的是，此方法不能处理复杂的服装和模糊的运动影像，因为训练数据库没有这些影像。下阶段研究人员会尝试透过附加子目标（如光流估计）方法，以解决运动模糊下的影像去背问题。
- Is a Green Screen Really Necessary for Real-Time Portrait Matting?
- MODNet: Is a Green Screen Really Necessary for Real-Time Portrait Matting?
- Do We Really Need Green Screens for High-Quality Real-Time Human Matting?
- [R] Do We Really Need Green Screens for High-Quality Real-Time Human Matting?
（本文由 雷锋网 授权转载；首图为示意图；来源：pixabay）
延伸阅读：
- AR 快速运用露曙光，手机拍摄就能复制贴上真实世界进电脑
- Chrome 扩充功能自动去背，人物宠物一样 OK
