摘要
前景-背景分割多年来一直是研究热点。然而，传统模型在面对光照条件复杂多变的视频时，难以获得准确的分割结果。本文提出一种鲁棒性更强的模型，能够在极端昏暗或明亮的场景下，以及视频序列中持续变化的光照条件下，依然实现精确的前景提取。该目标通过一种三重多任务生成对抗网络（TMT-GAN）实现，该网络能够有效建模明暗图像之间的语义关联，并端到端地完成二值分割任务。本文的贡献主要体现在两个方面：首先，我们证明了通过联合优化生成对抗网络损失（GAN loss）与分割损失，网络能够同时学习生成与分割两个任务，二者相互促进、协同提升；其次，将不同光照条件下图像的特征融合至分割分支，显著提升了网络的整体性能。在极具挑战性的真实与合成基准数据集（ESI 和 SABS）上的对比实验表明，TMT-GAN 具有优异的鲁棒性，并在性能上优于当前最先进的方法。