PP-Matting: 고정확도 자연 이미지 마팅

자연 이미지 마팅은 컴퓨터 비전 분야에서 핵심적이면서도 도전적인 과제이며, 이미지 편집 및 조합 등 다양한 응용 분야에서 활용된다. 최근에는 딥러닝 기반의 접근법이 이미지 마팅 성능에 큰 진전을 이루었다. 그러나 대부분의 기법은 보조 입력으로 사용자 제공 trimap(정밀 마스크)를 요구하며, 이는 실제 환경에서의 마팅 응용을 제한하는 요인이 되고 있다. 일부 trimap 없이 작동하는 접근법이 제안되었지만, trimap 기반 기법에 비해 여전히 마팅 품질이 만족스럽지 못하다. trimap의 안내 없이 모델은 전경과 배경 간의 모호성에 쉽게 노출되며, 전이 영역에서 흐릿한 세부 정보를 생성하는 경향이 있다. 본 연구에서는 고정밀 자연 이미지 마팅을 달성할 수 있는 trimap 없이 작동하는 PP-Matting 아키텍처를 제안한다. 제안된 방법은 특징 해상도를 유지하면서 전경의 미세한 세부 정보를 추출하는 고해상도 세부 정보 브랜치(HRDB)를 도입한다. 또한, 의미적 맥락을 반영하는 의미론적 세그멘테이션 하위 과제를 채택한 의미적 맥락 브랜치(SCB)를 제안하여, 의미적 맥락의 누락으로 인한 세부 정보 예측의 국소적 모호성을 방지한다. 더불어, Composition-1k와 Distinctions-646이라는 두 가지 유명한 벤치마크에서 광범위한 실험을 수행하였으며, 실험 결과는 기존 방법들에 비해 PP-Matting의 우수성을 입증한다. 또한, 인간 마팅에 대한 정성적 평가를 통해 실제 응용 상황에서의 뛰어난 성능을 확인하였다. 코드 및 사전 훈련된 모델은 PaddleSeg에서 공개될 예정이며, 주소는 https://github.com/PaddlePaddle/PaddleSeg 이다.