注意
您正在阅读 MMEditing 0.x。 MMEditing 0.x 会在 2022 年末开始逐步停止维护,建议您及时升级到 MMEditing 1.0 版本,享受由 OpenMMLab 2.0 带来的更多新特性和更佳的性能表现。阅读 MMEditing 1.0 的发版日志、 代码 和 文档 以了解更多。
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 |