MODNet：实时高质量人像抠图的AI神器

MODNet：实时高质量人像抠图的AI神器

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（MattingObjectiveDecompositionNetwork），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AlphaMatte（αp）。

具体如下：

• 语义估计（SemanticEstimation）：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（DetailPrediction）：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-DetailFusion）：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-ObjectivesConsistency）和帧延迟处理方法OFD（One-FrameDelay)。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。

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（PhotographicPortraitMatting）。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。

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NVIDIAGTX1080TiGPU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（AttentionMechanisms）。

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。