https://huggingface.co/spaces/leonelhs/FBA-Mattinghttps://huggingface.co/spaces/leonelhs/FBA-Matting1.introduction

        matte细节要比分割多很多，大多数几种在增加编码器-解码器架构的分辨能力上，本文的特点在于同时计算alpha，F，B三个输出。

2.proposed approach

2.1 network architecture

        unet架构，主要区别是我们从这个单一的编码-解码器中预测F和B，联合估计alpha。Resnet50，输入通道从3增加到9以适应trimap，使用三个不同尺度的前景和背景掩码的高斯模糊来编码trimap，与现有的matting方法不同，通常将trimap编码为具有值为1的单通道前景，值为0.5的未知值和值为0的背景。其次，移除了resnet50的layer3和layer4，并将膨胀率增加到2和4，可以在最高尺度上进行处理，而不降低分辨率。输出层包含7个通道，对应alpha，F,B，将alpha的值归一化0-1之间，sigmoid函数，F和B也采用sigmoid函数，以保持在0-1之间。

2.2 Batch normalisation vs Group normalisation

        小批量训练，resnet50采用组归一化，bs=1，批归一化就没有意义了。

2.3 F，B，alpha loss

2.4 Training details

        640x640，480x480，320x320，trimap通过随机腐蚀和膨胀3-25个像素从alpha-matte的gt中生成。随机翻转，镜像，gamma和亮度增强。并且会随机合成一种新的前景对象，p=0.5。RAdam，初始学习率为10-5，40个epoch降低了10-6，并进行了5个epoch的finetune训练。训练是1080ti，耗时16天，推理输入图和trimap链接为4通道图。