要約
自然画像マッティングは、基礎的かつ挑戦的なコンピュータビジョンの課題である。従来、この問題は不確定な制約問題として定式化されてきた。問題が適切に定義されていない（ill-posed）ため、より良い定式化を行うためにはデータ分布に関する追加の仮定が必要となる。古典的なマッティング手法では、前景および背景の色について「局所的な滑らかさ」を仮定することが一般的である。しかし、深層学習に基づくマッティング手法においては、このような仮定が体系的に検討されてこなかった。本研究では、深層画像マッティングモデルの性能向上に寄与する可能性のある2つの局所的滑らかさ仮定を検討する。これらの仮定に基づき、トレーニングデータの精査、色の拡張、逆伝播による精査の3つの技術を提案する。これらの手法は、深層マッティングモデルの性能を顕著に向上させることを実証した。提案手法の有効性を検証するための実験を行った結果、既存のマッティング手法と比較して優れた性能を示した。