摘要
自然图像抠图（natural image matting）旨在估计Trimap中未知区域的透明度值（alpha值）。近年来，基于深度学习的方法通常根据已知区域与未知区域之间的相似性，将已知区域的alpha值传播至未知区域。然而，我们发现由于普通卷积神经网络有效感受野较小，导致超过50%的未知区域像素无法与已知区域像素建立有效关联，从而在仅依赖感受野内像素进行推断时造成估计不准确。为解决这一问题，本文提出一种长程特征传播网络（Long-Range Feature Propagating Network, LFPNet），该网络能够学习感受野之外的长程上下文特征，用于提升alpha抠图的准确性。具体而言，我们首先设计了传播模块（propagating module），用于从下采样后的图像中提取上下文特征；随后提出中心-环绕金字塔池化（Center-Surround Pyramid Pooling, CSPP），显式地将周围上下文图像块的特征传播至中心图像块；最后，通过抠图模块（matting module）结合原始图像、Trimap以及提取的上下文特征，完成alpha图的估计。实验结果表明，所提出的方法在AlphaMatting和Adobe Image Matting两个公开数据集上均显著优于现有最先进方法，展现出更强的泛化能力与精度。