这篇论文主要基于closed form matting和KNN matting两种方法，利用CNN，以两种方法输出和RGB图像一起作为神经网络的输入，从而达到融合局部和非局部方法。论文声称是第一次将深度学习用于自然图像抠图。
Motivation
论文的动机主要来源于local methods的closed form matting和unlocal methods的KNN matting。文中较大篇幅在分析两种方法，这里也借此机会学习一下有代表性的传统方法。
closed form matting
封闭式表面抠图假定局部颜色分布遵循color line model，其中局部窗口内的颜色可以表示为两种颜色的线性组合。基于这个假设，Levin导出了matting Laplacian，证明了前景的alpha matte可以在没有明确估计前景和背景颜色的情况下以封闭的形式求解。从那以后，matting Laplacian被广泛地用作正则化来增强估计的alpha matte和其他应用的平滑性。该方法的优点是参数少，多数图像满足color line model的假设；不足就是假设失效的情况也是比较多的。
KNN matting
KNN抠图属于非局部抠图，其目标是通过允许alpha值在非局部像素中传播来解决matting Laplacian的局限性。类似于closed form matting，非局部抠图也对采样的非局部像素进行了假设。它假定像素的alpha值可以通过具有相似外观的非局部像素的alpha值的加权和来描述。在非局部抠图中，相似的外观由颜色，距离和纹理相似性来定义。然而，由于非局部像素的比较，其计算非常高。KNN matting通过仅考虑高维特征空间中的前K个近邻而改善了非局部抠图。它通过仅考虑颜色和它们特征空间中的位置相似性来减少计算。优点也是参数少，易于调整；不足是定义一个通用的特征空间是困难的。
ghost
commented
5 years ago 
这篇论文主要基于closed form matting和KNN matting两种方法，利用CNN，以两种方法输出和RGB图像一起作为神经网络的输入，从而达到融合局部和非局部方法。论文声称是第一次将深度学习用于自然图像抠图。
Motivation
论文的动机主要来源于local methods的closed form matting和unlocal methods的KNN matting。文中较大篇幅在分析两种方法，这里也借此机会学习一下有代表性的传统方法。
closed form matting
封闭式表面抠图假定局部颜色分布遵循color line model，其中局部窗口内的颜色可以表示为两种颜色的线性组合。基于这个假设，Levin导出了matting Laplacian，证明了前景的alpha matte可以在没有明确估计前景和背景颜色的情况下以封闭的形式求解。从那以后，matting Laplacian被广泛地用作正则化来增强估计的alpha matte和其他应用的平滑性。该方法的优点是参数少，多数图像满足color line model的假设；不足就是假设失效的情况也是比较多的。
KNN matting
KNN抠图属于非局部抠图，其目标是通过允许alpha值在非局部像素中传播来解决matting Laplacian的局限性。类似于closed form matting，非局部抠图也对采样的非局部像素进行了假设。它假定像素的alpha值可以通过具有相似外观的非局部像素的alpha值的加权和来描述。在非局部抠图中，相似的外观由颜色，距离和纹理相似性来定义。然而，由于非局部像素的比较，其计算非常高。KNN matting通过仅考虑高维特征空间中的前K个近邻而改善了非局部抠图。它通过仅考虑颜色和它们特征空间中的位置相似性来减少计算。优点也是参数少，易于调整；不足是定义一个通用的特征空间是困难的。