1.introduction

        输入可以是trimap，粗略二进制分割图，低质量alpha，

2.MG Matting

2.1 Progressive refinement network

        网络以图像和粗略mask作为输入，并输出抠图  ，在解码过程中，RPN在每个特征级别产生一个边缘抠图输出，在不同尺度上已经证明边缘输出对于改善特征学习是有效的，线性融合边缘输出对于抠图不理想，因为靠近物体边界的图像区域需要较低级别特征来勾勒前景，而识别物体内部区域需要更高级别的指导。为了解决这个问题，在每个特征级别引入了逐渐细化模块（PRM），选择性的融合来自先前级别和当前级别的抠图输出。0代表黑，1代表白，结合上面这张图分析，PRM的第一行，当前级别l，使用以下函数从前一个级别的抠图输入alphal-1生成gl，如何生成呢？ 

上面这个式子，alphal-1是decoder预测的概率图，这个图上的值在0-1之间的值都设为1，其他的都是0，把边缘区域凸显出来了，从背景到前景是0-1的，1是物体，0是背景，0-1之间即为过渡区域， 第三行，将alphal-1上采样以匹配当前层级输出概率图alph'l的尺寸，从当前概率图中获取边缘区域，第二行，alphal-1和1-gl相乘，1-gl除了边缘区域均保存，也就是说，要当前区域的边缘区，上一层级的其他区域，然后组合得到gl，在实践中，在stride为8,4,1的三个特征层级上获得alpha通道边缘输出，并略微膨胀。

2.2 训练方案

        l1，合成损失和laplacian损失。

3.Experiments on synthetic datasets

评估指标：sad，mse，grad，Conn

网络架构：resnet34-unet，aspp作为rpn主干，首个卷积被调整为接受4通道输入，包括RGB和外部引导，此外针对stride为4和8的特征上分别附上了一个alpha预测head。Composition-1k数据集，imagenet权重初始化，512尺寸，4个gpu训练，bs为40，adam，