无须Alpha标签的抠图模型训练
原文中文，约500字，阅读约需2分钟。发表于：。本研究针对深度图像抠图中的标签困难问题，提出使用粗略标注（如前景/背景的修整图）作为指导。通过引入方向距离一致性损失（DDC损失），促进已知区域的语义信息与假设抠图规则的合作，从而有效推断过渡区域的alpha值。实验结果表明，该方法在使用粗略标注的情况下，训练出的模型在性能上与细标签监督的基线相当，甚至在某些情况下超越了人类标注的真实值。
本研究提出了一种新的实用人像抠图训练方法，通过像素级人体区域识别和标注来实现。引入了弱半监督人像抠图（WSSHM）学习范式，节省标注成本和解决领域泛化问题。通过抠图标签融合（MLB）训练方法，在少量抠图数据和大量分割数据的情况下提高抠图模型的鲁棒性。实现代码可在https://github.com/clovaai/WSSHM获得。
