<圖像摳圖是一個計算機視覺領(lǐng)域內(nèi)的基礎(chǔ)任務(wù)，旨在獲取任意圖像中的精細前景。對于需要精細細節(jié)的前景類別尤為關(guān)鍵，例如人像，動物，或者植物。圖像摳圖在很多的下游任務(wù)中充當(dāng)著不可或缺的角色，包括電商網(wǎng)站的廣告宣傳，日常生活娛樂中的圖像編輯，視頻會議中的替換背景，或者虛擬現(xiàn)實，游戲等一些元宇宙應(yīng)用。傳統(tǒng)的研究方法因局限于底層色彩結(jié)構(gòu)，且對人類輔助輸入信息非常敏感，從而在復(fù)雜背景中無法得到優(yōu)秀的摳圖結(jié)果。近年來，基于深度學(xué)習(xí)的解決方案涌現(xiàn)，利用神經(jīng)網(wǎng)絡(luò)優(yōu)秀的特征提取能力取得了非常優(yōu)秀的摳圖結(jié)果，隨之誕生的還有多種新方向，諸如全自動摳圖，人機交互式摳圖，語言引導(dǎo)摳圖等等。本綜述首次系統(tǒng)性的概述了深度學(xué)習(xí)驅(qū)動下的圖像摳圖研究進展，涵蓋了自深度學(xué)習(xí)時代以來（8年時間跨度）各類圖像摳圖算法及應(yīng)用的研究進展。我們將主流的算法劃分為兩類，即基于人工輔助信息的摳圖和全自動圖像摳圖研究。

在每個類別中，我們對相關(guān)的任務(wù)設(shè)定，網(wǎng)絡(luò)模型，突出貢獻，優(yōu)勢和局限性都進行了充分的論述。另外，本文還整合了包括合成圖像和真實圖像在內(nèi)的諸多圖像摳圖數(shù)據(jù)集，并在典型的數(shù)據(jù)集上對具有代表性的諸多方法進行了系統(tǒng)的實驗和主客觀結(jié)果評估。最后，我們介紹了整個基于深度學(xué)習(xí)的圖像摳圖領(lǐng)域的相關(guān)應(yīng)用，討論了目前存在的挑戰(zhàn)以及未來可能的研究方向。

一、圖像摳圖介紹

作為一個自從電影制作產(chǎn)業(yè)初期就出現(xiàn)的問題，圖像摳圖已經(jīng)被學(xué)者們用傳統(tǒng)方法研究了幾十年，主流的方法有兩種，基于色彩采樣和相似度矩陣。然而，傳統(tǒng)方法局限于底層色彩特征，且對人類輔助輸入信息非常敏感，從而在復(fù)雜背景中無法得到優(yōu)秀的摳圖結(jié)果。自深度學(xué)習(xí)出現(xiàn)之后，研究者設(shè)計出了多種多樣的基于卷積神經(jīng)網(wǎng)絡(luò)的解決方案。和傳統(tǒng)方法一樣，早期的深度學(xué)習(xí)方法依然需要依賴一定量的人工輔助信息，例如三分圖（trimap），涂抹（scribble），背景圖像等等，粗糙的初始分割等等。近年來，更多靈活多樣的人工輔助信息被探索，例如用戶點擊和語言引導(dǎo)。在下圖中，我們展現(xiàn)了一些常見的人工輔助信息的樣例。

圖1. 圖像

摳圖輸入，預(yù)測結(jié)果和一些人工輔助信息的展示，例如三分圖，背景，粗糙分割，用戶點擊，用戶涂抹等等。該圖中的語言輸入可以為：圖像中間的可愛的微笑的小狗。同時，為了使得圖像摳圖能被快速應(yīng)用于工業(yè)場景，全自動摳圖也在近年內(nèi)被提出。這些方法可以直接從圖像中預(yù)測出最終的結(jié)果，不需要任何額外的人工輔助信息。但是，因為受訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)分布的影響，它們傾向于得到圖中全部顯著性的前景。

為了促進深度學(xué)習(xí)方法的研究，近年來被研究者構(gòu)建了大量的相關(guān)數(shù)據(jù)集，包括合成數(shù)據(jù)集和真實數(shù)據(jù)集。本文對相關(guān)的研究算法和訓(xùn)練與測試數(shù)據(jù)集做了詳盡的介紹。同時，我們總結(jié)了深度學(xué)習(xí)時代相關(guān)算法的時間軸，列圖如下，可以看出近年來該領(lǐng)域的研究熱度不斷增加。

圖2. 基于深度學(xué)習(xí)的圖像摳圖方法時間軸

圖3. 基于深度學(xué)習(xí)的圖像摳圖方法總結(jié)表，包括出版刊物，輸入模態(tài)，是否自動化，摳圖目標，網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集等。

二、具體研究進展及討論

鑒于圖像摳圖任務(wù)是一個未知參數(shù)很多的病態(tài)問題，使用用戶輔助信息作為輸入是非常常見的解決方法。從傳統(tǒng)時代開始，一張定義了指定前景，背景，和未知區(qū)域的三分圖（trimap）就被廣泛使用，隨之一起出現(xiàn)的是指定前景背景的用戶涂抹圖像（scribble）。到了深度學(xué)習(xí)時代，多種多樣的下游任務(wù)催生出了更多類型的用戶輔助信息，諸如背景圖，粗糙的二元分割圖，用戶交互式點擊，語言引導(dǎo)等等。這些方法的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計大致可分為三類，如圖4所示：1）單階段網(wǎng)絡(luò)；2）單階段網(wǎng)絡(luò)，附加邊緣模塊用以提取輔助信息中更多的圖像特征；3）雙分支或多分支網(wǎng)絡(luò)，用以分別處理圖像和輔助信息，并一起經(jīng)過融合網(wǎng)絡(luò)以得到最終輸出。

這些方法每一項都彌補了前序方法的不足，對輔助信息進行了更輸入的挖掘和信息提煉，以得到更優(yōu)秀的摳圖結(jié)果。然而，此類方法依然存在兩個問題。首先他們依然依賴于不同程度的人力，使得在實用場景的自動化應(yīng)用有些困難。第二點是這些方法很多依然對輔助信息非常敏感，比如三分圖的未知區(qū)域大小，用戶交互點擊的密度等等。因此研發(fā)更魯棒的方法既是一個挑戰(zhàn)也是一個非常有前景的研究方向。更多詳情可見文章第三章。

圖4. 基于深度學(xué)習(xí)和輔助信息的圖像摳圖方法框架分類圖。（a） 單階段網(wǎng)絡(luò)。（b） 帶有邊緣模塊的單階段網(wǎng)絡(luò)。

（3） 雙分支或者多分支網(wǎng)絡(luò)。

為了克服基于輔助信息的圖像摳圖方法的局限性，近年來，全自動摳圖也成為了研究熱點。這些方法旨在不經(jīng)過任何人工參與的情況下，直接預(yù)測出圖中的細致前景。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計也可以大體分為三類，如圖5所示：1）單階段網(wǎng)絡(luò)并利用旁支的全局模塊引導(dǎo)圖像高層的語意信息；2）兩階段網(wǎng)絡(luò)來首先預(yù)測輔助信息，再設(shè)計基于輔助信息的第二階段網(wǎng)絡(luò)；3）用共享的編碼網(wǎng)絡(luò)獲取不同層次的圖像信息，通過多分支的解碼網(wǎng)絡(luò)分別預(yù)測高層語意和低層細節(jié)，并通過硬融合得到最終的結(jié)果。這一類方法由于沒有任何額外信息的引導(dǎo)，非常容易受到訓(xùn)練數(shù)據(jù)集的影響。因此大部分方法局限于某些特定的摳圖目標，比如人像，動物，透明物體等等。

近年來，也有方法探索通過將通用物體分為三類，即顯著性閉合前景，顯著性透明或細致前景，以及非顯著前景，并用同一個網(wǎng)絡(luò)進行全種類摳圖。全自動摳圖方法因為不需要任何人工的干預(yù)，在工業(yè)界得到了廣泛的實用。然而，此類研究依然存在一些挑戰(zhàn)，例如如何提高方法的泛化性，尤其在訓(xùn)練數(shù)據(jù)集中未見到的圖像上得到很好的效果，或者如何在保有高質(zhì)量摳圖結(jié)果的同時提高運算效率，減小模型大小。更多詳情可見文章第四章。

圖5. 基于深度學(xué)習(xí)的全自動圖像摳圖方法框架分類圖。（a） 基于全局引導(dǎo)信息的單階段網(wǎng)絡(luò)。（b） 兩階段網(wǎng)絡(luò)。（c） 共享編碼器的雙分支網(wǎng)絡(luò)。作為深度學(xué)習(xí)方法不可或缺的驅(qū)動力，構(gòu)建大型數(shù)據(jù)集非常關(guān)鍵。因此，本文對于摳圖領(lǐng)域內(nèi)近年來涌現(xiàn)的數(shù)據(jù)集做了統(tǒng)一的介紹和比較，包括早期的合成圖像數(shù)據(jù)集和最近的真實圖像數(shù)據(jù)集。如圖6所示，我們對現(xiàn)有數(shù)據(jù)集按照輸入模態(tài)，標簽類型，摳圖目標，平均尺寸，標注方法，訓(xùn)練集和測試集的數(shù)目，是否公開，進行了歸類整理和對比。詳情可參見文章第五章。

圖6. 圖像摳圖數(shù)據(jù)集比較，包括出版刊物，模態(tài)，標簽類型，是否是自然圖像，摳圖目標，平均尺寸，標注方式，訓(xùn)練數(shù)據(jù)量，測試數(shù)據(jù)量，是否公開等等。

三、評測基準

在這一節(jié)里，我們詳細介紹了整個摳圖領(lǐng)域內(nèi)深度學(xué)習(xí)算法常用的損失函數(shù)，評價標準，預(yù)處理方式和訓(xùn)練技巧。對于基于輔助信息的方法和全自動方法，我們分別在兩類常用的數(shù)據(jù)集上對具有代表性的算法進行了詳盡的比較。包括主觀客觀結(jié)果比較，方法的模型慘數(shù)量，復(fù)雜度，以及處理512x512分辨率的圖像的推理時間。我們在同種設(shè)定下進行了大量的實驗以公正的評測目前的深度學(xué)習(xí)方法與早先的傳統(tǒng)算法。相關(guān)客觀指標結(jié)果如圖7所示。為了給讀者一個對于目前主流方法結(jié)果直觀的感受，我們在圖8展示了一些實際結(jié)果例子。

圖7. 圖像摳圖算法的客觀指標結(jié)果

圖8. 圖像摳圖算法主觀對比圖

四、挑戰(zhàn)與展望

圖像摳圖，作為一個基礎(chǔ)的圖像底層算法，在諸多的下游任務(wù)中都有非常廣泛的應(yīng)用，包括視覺感知能力例如物體檢測，語義分割，障礙物去除，圖像編輯應(yīng)用例如圖像合成，圖像補全，圖像風(fēng)格轉(zhuǎn)換，視頻處理應(yīng)用例如視頻特效關(guān)聯(lián)，淺景深合成，視頻摳圖，多模態(tài)和3D應(yīng)用例如遙感，3D圖像渲染等等。這些年來，圖像摳圖領(lǐng)域迅速的崛起與發(fā)展也帶來了很多挑戰(zhàn)與新的研究機會。我們在這里做一個簡要的討論，更多詳情請見文章第八章。

1、更精確的評價指標

現(xiàn)有的評價指標可以從客觀上表示預(yù)測結(jié)果和標簽之間的相似度，然而如何更加精確的反應(yīng)人類對于預(yù)測結(jié)果的主觀評價是一個困難的問題。例如SAD可以評價出全圖或者未知區(qū)域的相似度，但是對于人類主觀關(guān)注的區(qū)域，比如頭發(fā)，耳環(huán)，或者眼鏡框等等卻無法進行精確的評估。一個可能的解決方案是利用基于結(jié)構(gòu)相似性的度量，例如SSIM，來對細節(jié)信息進行更精確的評估。

2、更輕量級的模型設(shè)計

鑒于圖像摳圖會在實時的全自動化工業(yè)領(lǐng)域內(nèi)有廣泛的應(yīng)用，如何設(shè)計一個輕量級的模型并保有精確的預(yù)測結(jié)果是一個長久而充滿潛力的研究方向。一些有效的策略包括降維處理，特征復(fù)用，剪枝操作，或者混合分辨率結(jié)構(gòu)。

3、多模態(tài)摳圖

將圖像摳圖領(lǐng)域與多模態(tài)領(lǐng)域進行融合可以進一步擴展圖像摳圖的適用范圍。已經(jīng)有的研究將摳圖和人類語言輸入進行結(jié)合，預(yù)測出符合人類描述的指定前景。更多的輸入模態(tài)可以包括，語音指令，目光注視點，以及3D的可渲染光線神經(jīng)場模型。

4、擴散模型

近期，擴散模型已經(jīng)在圖像生成領(lǐng)域表現(xiàn)出了優(yōu)秀的潛力。大語言模型和跨模態(tài)預(yù)訓(xùn)練的顯著進展為擴散模型的多模態(tài)應(yīng)用提供了極速發(fā)展的動力，使得從空白畫板生成并編輯高質(zhì)量的圖像成為了可能性。這也為圖像摳圖領(lǐng)域帶來了一個開放性的問題：在擴散模型的新時代里，圖像摳圖領(lǐng)域會有怎樣的走向，會是一個方向的終結(jié)，還是一個嶄新的開端。

五、總結(jié)

我們提供了一份深度學(xué)習(xí)驅(qū)動的圖像摳圖領(lǐng)域的綜述，涵蓋了該領(lǐng)域詳盡的背景介紹，基于輔助信息的方法概述，全自動化的方法概述，數(shù)據(jù)集的整理和比較，公開的基準測試以及未來的研究方向。為了展示圖像摳圖領(lǐng)域內(nèi)清晰的發(fā)展脈絡(luò)和未來趨勢，我們對現(xiàn)有方法做了精細的分類和深入的探討。此外，我們將長期維護一個開放的github倉庫來定期更新最新的工作進展和數(shù)據(jù)集

編輯：黃飛