EFormer：专注于肖像抠图前景语义轮廓特征的增强 Transformer
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了 EFormer 方法，用于增强模型对语义和轮廓特征的注意力，特别是后者，通过建立语义和轮廓探测器 (SCD) 来准确捕捉它们的分布，最终通过融合这两种特征生成预测的肖像 alpha matte。实验表明，EFormer 方法在肖像抠图任务中优于之前的方法。
这篇文章介绍了一种基于Transformer的网络TransMatting，用于模拟具有大感受野的透明对象。通过重新设计trimap和使用可学习的三元标记，引入高级语义特征到自注意机制中。同时，使用小型卷积网络来利用全局特征和非背景掩模，指导多尺度特征传播，以维护透明对象的纹理结构。作者还创建了一个高分辨率的透明对象抠图数据集。实验结果显示，该方法相比当前最先进的方法具有显著的优势。
