从算法角度讲，Background Matting v2（BGMv2）和Background Matting v1（BGMv1）除了输入图像都包含有空屏图之外几乎没有任何相同点。BGMv1的特点在于除了空屏外，还增加了分割图，前后帧作为先验，并使用GAN的策略对抠图效果进行对抗优化。而BGMv2只增加了空屏一个先验，它的核心在于提出了两个网络：Base网络和Refine网络，其中base网络用于快速的在降采样的图像上得到一个低分辨率的结果，Refine网络是在Base网络的基础上，在高分辨下对选定的Patch进行进一步优化，算法流程如图1所示。它并没有BGMv1中的对抗思想。

此外，BGMv2还制作了两个庞大的高清人像抠图数据集：VideoMatte240K和PhotoMatte13K/85，这两个数据集对提升模型上也取得了非常重要的作用。

1. 问题定义

给定输入图像 I 和背景图像 B ，根据抠图问题的定义： I=αF+(1−α)B，传统的算法会通过其它变量求得输入图像 I 的前景 F 和前景概率 α。而BGMv2并没有直接求前景 F，而是前景残差 F^R = F - I ，而前景 F 则可以通过 F^R 由式(1)得到。

                            F=max(min(FR+I,1),0)          (1)

之前的方案是直接预测前景概率 α 或者再加上前景 F ，通过这种方式合成的新图片会有比较明显的颜色溢出问题。例如在绿幕抠图中在边缘或者头发处容易出现的绿色毛边现象。而使用前景残差作为预测目标，不仅可以加速收敛，还可以解决颜色溢出问题。如图2所示，是模型的输入输出以及要预测的前景概率和前景残差。

图2：从左到右依次是：(a)输入图像I；(b)输入背景B；(c)预测的前景概率α；(d)预测的前景残差F^R

抠图问题是一个难易样本不均衡的问题，其中重要且难分的像素点往往只存在于前景的边缘，因为非边缘部分的像素点往往是纯粹的前景或者背景，因此值往往非 0 即 1 。而边缘部分的像素点不仅数量少，而且往往是一个介于 0 和 1 之间的浮点值，它的准确率的高低往往才最能反映抠图算法的精细度。

为了解决这个问题，BGMv2提出了由基础网络 Gbase 和微调网络 Grefine 网络组成的结构，它的思想类似于Hard Example Mining。首先先通过 Gbase 得到一个在低分辨率上的抠图效果，然后再提取一些hard的patch使用 Grefine 进行微调。

2. 网络结构

BGMv2的网络分成两个模块： Gbase 和 Grefine 。给定一张输入图像 I 和空屏图像 B ，首先将其降采样 c 倍，得到 Ic 和 Bc 。 Gbase取 Ic 和 Bc 作为输入，输出同样是降采样尺寸的前景概率 αc ，前景残差F^R_c ，Error Map Ec 以及隐层节点特征 Hc 。然后 Grefine 根据 Ec 中值较大的像素点取 Hc， I 以及 B 中对应的patch（难样本）来优化F^R 和 α，整个过程如图3所示。

图3：BGMv2的网络结构，其中蓝色的是base网络，绿色的是refine网络

2.1 base网络

BGMv2借鉴了deeplab v3[3]的网络结构，包含骨干网络，空洞空间金字塔池化和解码器三部分组成：

• 骨干网络：可以采用主流的卷积网络作为，作者开源的模型包括ResNet-50，ResNet-101以及MobileNetV2，用户可以根据速度和精度的不同需求选择不同的模型；

• 空洞空间金字塔池化：（Atrous Spatial Pyramid Pooling，ASPP）是由DeeplabV3提出并在实例分割领域得到广泛应用的结构，人像抠图和实例分割本质上式非常接近的，因此也可以通过ASPP来提升模型准确率；

• 解码器：解码器是由一些列的双线性插值上采样和跳跃连接组成，每个卷几块由 3×3卷积，BN以及ReLU激活函数组成。

如前面介绍的， Gbase 的输入是 Ic 和 Bc ，输出是 αc ， F^R_c ， Ec 以及 Hc。其中Error Map Ec 的Ground Truth是 E^* =|α−α∗|，Error Map是一个人像轮廓的一个图，如图4所示。通过对Error Map的优化，可以使得BGMv2有更好的边缘检测效果。

图4：BGMv2的Error Map

Grefine 的输入是在根据 Ec 提取的 k 个补丁块（patches）上进行进行精校， k可以提前指定选择top- k 个或是根据阈值卡若干个。用户也可以根据速度和精度的trade-off自行设置 k 或者阈值的具体值。对于缩放到原图 1/c 的 Ec ，我们首先将其上采样到原图的 1/4 ，那么 E4 中的一个点便相当于原图上一个 4×4 的补丁块，那么相当于我们要优化的像素点的个数总共有 16k 个。

Grefine的网络分成两个阶段：在1/2的分辨率和原尺寸的分辨率上进行精校。

•Stage 1：首先将 Gbase 的输出上采样到原图的 1/2 ；然后再根据 E4选择出的补丁块，从其周围在其中提取 8×8 的补丁块；再依次经过两组$3\times3$的有效卷积，BN，ReLU将Feature Map的尺寸依次降为 6×6 和 4×4 。

•Stage2：再将Stage 1得到的 4×4 的Feature Map上采样到 8×8 ，再依次经过两组 3×3 的有效卷积，BN，ReLU将Feature Map的最终尺寸降为 4×4。而这个尺寸的Feature Map对应的ground truth就是我们上面根据 E4 得到的补丁块。

图5：Refine网络的结构细节

最后我们将降采样的 αc 和F^R_c 上采样到原图大小，再将Refine优化过后的补丁块替换到原图中便得到了最终的结果。