초록
자연 이미지 마팅은 기초적이면서도 도전적인 컴퓨터 비전 과제이다. 기존의 접근 방식에서는 이 문제를 과소결정 문제(underconstrained problem)로 설정하였다. 문제의 불안정성(ill-posed nature)으로 인해, 문제를 잘 정의된(well-posed) 문제로 만들기 위해 데이터 분포에 대한 추가적인 가정이 필요하다. 전통적인 마팅 기법에서는 전경과 배경 색상에 대한 국소적 평활성 가정(local smoothness assumption)을 일반적으로 채택해왔다. 그러나 딥러닝 기반 마팅 기법에서는 이러한 가정이 체계적으로 고려되지 않았다. 본 연구에서는 딥 이미지 마팅 모델의 성능 향상에 기여할 수 있는 두 가지 국소적 평활성 가정을 고려한다. 이 가정들을 기반으로, 학습 데이터 세트 정제, 색상 증강, 역전파를 통한 정제(backpropagating refinement)라는 세 가지 기술을 제안한다. 제안된 기술들은 딥 이미지 마팅 모델의 성능을 크게 향상시킬 수 있다. 제안된 알고리즘의 효과성을 검증하기 위해 실험을 수행하였으며, 실험 결과는 기존의 마팅 기법들과 비교하여 제안된 방법이 우수한 성능을 보임을 확인할 수 있었다.