抠图模型

DIM (CVPR’2017)

DIM (CVPR'2017)

@inproceedings{xu2017deep,
  title={Deep image matting},
  author={Xu, Ning and Price, Brian and Cohen, Scott and Huang, Thomas},
  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
  pages={2970--2979},
  year={2017}
}

算法	SAD	MSE	GRAD	CONN	下载
第一阶段 (原文)	54.6	0.017	36.7	55.3	-
第三阶段 (原文)	50.4	0.014	31.0	50.8	-
第一阶段 (复现)	53.8	0.017	32.7	54.5	模型 | 日志
第二阶段 (复现)	52.3	0.016	29.4	52.4	模型 | 日志
第三阶段 (复现)	50.6	0.015	29.0	50.7	模型 | 日志

注

• 第一阶段：训练不带精炼器的编码器-解码器部分。 \

• 第二阶段：固定编码器-解码器部分，训练精炼器部分。 \

• 第三阶段：微调整个网络模型。

模型在训练过程中的性能不稳定。因此，展示的性能并非来自最后一个模型权重文件，而是训练期间在验证集上取得的最佳性能。

不同随机种子的训练性能（最佳性能）的发散程度很大，您可能需要为每个设置运行多个实验以获得上述性能。

---

GCA (AAAI’2020)

GCA (AAAI'2020)

@inproceedings{li2020natural,
  title={Natural Image Matting via Guided Contextual Attention},
  author={Li, Yaoyi and Lu, Hongtao},
  booktitle={Association for the Advancement of Artificial Intelligence (AAAI)},
  year={2020}
}

算法	SAD	MSE	GRAD	CONN	下载
基线 (原文)	40.62	0.0106	21.53	38.43	-
GCA (原文)	35.28	0.0091	16.92	32.53	-
基线 (复现)	36.50	0.0090	17.40	34.33	模型 | 日志
GCA (复现)	34.77	0.0080	16.33	32.20	模型 | 日志

其他结果

算法	SAD	MSE	GRAD	CONN	下载
基线 (使用 DIM 流水线)	49.95	0.0144	30.21	49.67	模型 | 日志
GCA (使用 DIM 流水线)	49.42	0.0129	28.07	49.47	模型 | 日志

---

IndexNet (ICCV’2019)

IndexNet (ICCV'2019)

@inproceedings{hao2019indexnet,
  title={Indices Matter: Learning to Index for Deep Image Matting},
  author={Lu, Hao and Dai, Yutong and Shen, Chunhua and Xu, Songcen},
  booktitle={Proc. IEEE/CVF International Conference on Computer Vision (ICCV)},
  year={2019}
}

算法	SAD	MSE	GRAD	CONN	下载
M2O DINs (原文)	45.8	0.013	25.9	43.7	-
M2O DINs (复现)	45.6	0.012	25.5	44.8	模型 | 日志

The performance of training (best performance) with different random seeds diverges in a large range. You may need to run several experiments for each setting to obtain the above performance.

其他结果

算法	SAD	MSE	GRAD	CONN	下载
M2O DINs (使用 DIM 流水线)	50.1	0.016	30.8	49.5	模型 | 日志

---