AI 视频抠图有多强：无需「绿幕」，也可达到影视级效果-ai抠图素材

今天一大早就被网友们安利了一个热门 AI 项目。

听说，它可以带你周游世界，还能让 AngelaBaby 多拍几部电视剧。

这是啥情况？？

仔细一了解，原来是一款 AI 视频抠图神器，一大早就冲上了 GitHub 热榜。

官方介绍说，这个 AI 神器可以让视频处理变得非常简单且专业，不用「绿幕」，也能达到逼真、毫无违和感的合成效果。

果然，打工人的 “周游世界”只有 AI 能实现了 [泪目]。

其实，视频抠图 AI 已经出现过不少，但这一款确实让人觉得很惊艳。先来看下它演示 Demo。

你能看出公路背景和大海背景的视频，哪一个是 AI 合成的吗？

连撩起的头发都看不出一点破绽。

而且就算疯狂跳舞也没有影响合成效果。

再来看下它背后的抠图细节，不仅精确到了头发，甚至还包括浮起的碎发 ......

动态效果也是如此，疯狂甩头也能实时捕捉细节。

这项超强 AI 抠图神器来自香港城市大学和商汤科技联合研究团队，论文一作还是一位在读博士生张汉科。

接下来，我们来看下它背后的技术原理。

目标分解网络 MODNet

关键在于，这个 AI 采用了一种轻量级的目标分解网络 MODNet（ Matting Objective Decomposition Network），它可以从不同背景的单个输入图像中平滑地处理动态人像。

简单的说，其功能就是视频人像抠图。

我们知道，一些影视作品尤其是古装剧，必须要对人物的背景进行后期处理。为了达到逼真的合成效果，拍摄时一般都会采用「绿幕」做背景。因为绿色屏幕可以使高质量的 Alpha 蒙版实时提取图像或视频中的人物。

另外，如果没有绿屏的话，通常采用的技术手段是光照处理法，即使预定义的 Trimap 作为自然光照算法输入。这种方法会粗略地生成三位图：确定的（不透明）前景，确定的（透明）背景以及介于两者之间的未知（不透明）区域。

如果使用人工注释三位图不仅昂贵，而且深度相机可能会导致精度下降。因此，针对以上不足，研究人员提出了目标分解网络 MODNet。

如图所示，MODNet 由三个相互依赖的分支 S、D 和 F 构成。它们分别通过一个低分辨率分支来预测人类语义（SP）、一个高分辨率分支来聚焦纵向的边界细节（DP），最后一个融合分支来预测 Alpha Matte （αp）。

具体如下：

语义估计（Semantic Estimation）：采用 MobileNetV2[35]架构，通过编码器（即 MODNet 的低分辨率分支）来提取高层语义。
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 的低层特征作为输入。同时对它的卷积层数、信道数、输入分辨率三个方面进行了优化。
语义细节融合（Semantic-Detail Fusion）：一个融合了语义和细节的 CNN 模块，它向上采样 S（I）以使其形状与 D（I，S（I））相之相匹配，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，该研究还提出了一种自监督策略 SOC（Sub-Objectives Consistency）和帧延迟处理方法 OFD（One-Frame Delay )。

其中，SOC 策略可以保证 MODNet 架构在处理未标注数据时，让输出的子目标之间具有一致性；OFD 方法在执行人像抠像视频任务时，可以在平滑视频序列中预测 Alpha 遮罩。如下图：

实验评估

在开展实验评估之前，研究人员创建了一个摄影人像基准数据集 PPM-100（Photographic Portrait Matting）。

它包含了 100 幅不同背景的已精细注释的肖像图像。为了保证样本的多样性，PPM-100 还被定义了几个分类规则来平衡样本类型，比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。如图：

PPM-100 中的样图具有丰富的背景和人物姿势。因此可以被看做一个较为全面的基准。

那么我们来看下实验结果：

图中显示，MODNet 在 MSE（均方误差）和 MAD（平均值）上都优于其他无 Trimap 的方法。虽然它的性能不如采用 Trimap 的 DIM，但如果将 MODNet 修改为基于 Trimap 的方法—即以 Trimap 作为输入，它的性能会优于基于 Trimap 的 DIM，这也再次表明显示 MODNet 的结构体系具有优越性。

此外，研究人员还进一步证明了 MODNet 在模型大小和执行效率方面的优势。

其中，模型大小通过参数总数来衡量，执行效率通过 NVIDIA GTX1080 Ti GPU 上超过 PPM-100 的平均参考时间来反映（输入图像被裁剪为 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。

需要注意的是，较少的参数并不意味着更快的推理速度，因为模型可能有较大的特征映射或耗时机制，比如，注意力机制（Attention Mechanisms）。

总之，MODNet 提出了一个简单、快速且有效实时人像抠图处理方法。该方法仅以 RGB 图像为输入，实现了场景变化下 Alpha 蒙版预测。此外，由于所提出的 SOC 和 OFD，MODNet 在实际应用中受到的域转移问题影响也较小。

不过遗憾的是，该方法不能处理复杂的服装和模糊的运动视频，因为这些内容不涵盖在训练数据集内。下一阶段，研究人员会尝试通过附加子目标（例如光流估计）的方法来解决运动模糊下的视频抠图问题。