科技小辛辛|这篇CVPR华人论文帮你搞定，手残党福音：一键抠图、隔空移物机器之心报道编辑：蛋酱、杜伟、小舟世

机器之心报道
编辑：蛋酱、杜伟、小舟
世界上从来不缺少抠图工具，但始终缺少更完美的抠图工具（尤其是对于手残党来说）。

文章图片
在传统年代，人们能想到最精准的抠图方法，大概是Photoshop之类的专业图像处理软件，显然这种处理方式会很繁琐。随着人工智能技术的发展，从业者开始尝试将最先进的机器学习技术融入到图像处理工作之中。这些开源算法最终变成了各种各样的在线抠图程序，最重要的是——它们的操作方法非常简单且完全免费。
比如「Remove.bg」，你只需要上传图片，网站就能识别其中的主体并去除背景，最终返回一张透明背景的PNG格式图片。尽管在前景与背景之间边界处理上存在瑕疵，但借助AI来抠图确实比自己动手要便捷，不是吗？

文章图片
网站地址：https://www.remove.bg/
近日，一款名为「ObjectCut」的图像处理新工具进入了大家的视野。你甚至不需事先将图片下载到本地，只需要输入图片网址，即可得到一张去除背景后的图片。

文章图片
https://objectcut.com/

文章图片
使用教程演示。
项目作者表示，这一工具所使用方法基于CVPR2019论文《BASNet:Boundary-AwareSalientObjectDetection》，并使用了一些相关的公开数据集来进行训练，包括ECSSD、SOD、DUTS等。

文章图片
论文地址：https://openaccess.thecvf.com/content_CVPR_2019/papers/Qin_BASNet_Boundary-Aware_Salient_Object_Detection_CVPR_2019_paper.pdf
巧合的是，前段时间在社交网络上大火的「隔空移物」神器ARCut&Paste ，也是基于BASNet来执行显著目标检测和背景移除的，不管是盆栽、衣服还是书本，可见即可拷，一键操作就能将任何主体挪进Photoshop变为图像素材。
所以，大家都在用的BASNet ，为何如此神奇？
BASNet论文详解
深度卷积神经网络已经被用于显著目标检测（Salientobjectdetection），并获得了SOTA的性能。但先前研究的重点大多集中在区域准确率而非边界质量上。
【科技小辛辛|这篇CVPR华人论文帮你搞定，手残党福音：一键抠图、隔空移物】因此，在本文中，来自加拿大阿尔伯塔大学的研究者提出了一种预测优化架构BASNet ，以及一种用于边界感知显著目标检测（Boundary-AwareSalientobjectdetection）的新型混合损失。论文的第一作者秦雪彬曾就读于山东农业大学和北京大学，现在是阿尔伯塔大学的博士后研究员。
具体而言，该架构由密集监督的编码器-解码器网络和残差优化模块组成。它们分别负责显著性预测和显著图优化。混合损失通过集合二进制交叉熵（BinaryCrossEntropy,BCE）、结构相似性（StructuralSIMilarity,SSIM）和交并比（Intersectionover-Union,IoU）损失，指导网络学习输入图像和真值（ground-truth）之间的转换。
借助于混合损失，预测优化架构能够有效地分割显著目标区域，并准确地预测具有清晰边界的精细结构。
在六个公开数据集上的实验结果表明，无论是在区域评估还是在边界评估方面，该研究提出的方法都优于当前SOTA方法。
如下图2所示，本研究提出的BASNet包含两个模块，分别是预测模块（PredictModule）和残差优化模块（ResidualRefinementModule,RRM）。