Arka plan kaldırma, bir konuyu çevresinden ayırır, böylece onu şeffaflık üzerine yerleştirebilir, sahneyi değiştirebilir veya yeni bir tasarıma entegre edebilirsiniz. Kaputun altında bir alfa maskesi—piksel başına 0'dan 1'e kadar bir opaklık—tahmin ediyor ve ardından ön planı alfa kompozitleme ile başka bir şeyin üzerine yerleştiriyorsunuz. Bu, Porter–Duff matematiğidir ve “saçaklar” ve düz ve önceden çarpılmış alfa gibi yaygın sorunların nedenidir. Önceden çarpma ve doğrusal renk hakkında pratik rehberlik için Microsoft’un Win2D notlarına, Søren Sandmann’a ve Lomont’un doğrusal harmanlama üzerine yazısına bakın.
Çekimi kontrol edebiliyorsanız, arka planı düz bir renge (genellikle yeşil) boyayın ve bu tonu anahtarlayın. Hızlıdır, film ve yayında kendini kanıtlamıştır ve video için idealdir. Dezavantajları aydınlatma ve kıyafetlerdir: renkli ışık kenarlara (özellikle saça) taşar, bu nedenle kirlenmeyi nötralize etmek için dökülme önleyici araçlar kullanırsınız. İyi başlangıç kılavuzları arasında Nuke’un belgeleri, Mixing Light ve uygulamalı bir Fusion demosu bulunur.
Dağınık arka planlara sahip tek görüntüler için, etkileşimli algoritmalar birkaç kullanıcı ipucuna ihtiyaç duyar—örneğin, gevşek bir dikdörtgen veya karalamalar—ve keskin bir maske oluşturur. Kanonik yöntem GrabCut’tır (kitap bölümü), ön plan/arka plan için renk modelleri öğrenir ve bunları ayırmak için yinelemeli olarak grafik kesimlerini kullanır. Benzer fikirleri GIMP’in Ön Plan Seçimi’nde SIOX’a dayalı olarak görürsünüz (ImageJ eklentisi).
Matlaştırma, ince sınırlardaki (saç, kürk, duman, cam) kesirli şeffaflığı çözer. Klasik kapalı form matlaştırma bir üçlü harita (kesinlikle-ön plan/kesinlikle-arka plan/bilinmeyen) alır ve güçlü kenar doğruluğu ile alfa için doğrusal bir sistemi çözer. Modern derin görüntü matlaştırma Adobe Composition-1K veri setinde sinir ağlarını eğitir (MMEditing belgeleri) ve SAD, MSE, Gradyan ve Bağlantı gibi metriklerle değerlendirilir (kıyaslama açıklaması).
İlgili segmentasyon çalışmaları da faydalıdır: DeepLabv3+, bir kodlayıcı-kod çözücü ve atrous evrişimleri ile sınırları iyileştirir (PDF); Mask R-CNN, örnek başına maskeler verir (PDF); ve SAM (Segment Anything), bilinmeyen görüntülerde sıfır atışlı maskeler oluşturan istemle yönlendirilebilir bir temel modeldir.
Akademik çalışmalar, Composition-1K üzerinde SAD, MSE, Gradyan ve Bağlantı hatalarını raporlar. Bir model seçiyorsanız, bu metriklere bakın (metrik tanımları; Arka Plan Matlaştırma metrikleri bölümü). Portreler/video için, MODNet ve Arka Plan Matlaştırma V2 güçlüdür; genel “belirgin nesne” görüntüleri için, U2-Net sağlam bir temeldir; zor şeffaflık için, FBA daha iyi sonuç verebilir.
Bu dönüştürücü tamamen tarayıcınızda çalışır. Bir dosya seçtiğinizde, belleğe okunur ve seçilen biçime dönüştürülür. Ardından dönüştürülen dosyayı indirebilirsiniz.
Dönüştürmeler anında başlar ve çoğu dosya bir saniyeden kısa sürede dönüştürülür. Daha büyük dosyalar daha uzun sürebilir.
Dosyalarınız asla sunucularımıza yüklenmez. Tarayıcınızda dönüştürülürler ve dönüştürülen dosya daha sonra indirilir. Dosyalarınızı asla görmeyiz.
JPEG, PNG, GIF, WebP, SVG, BMP, TIFF ve daha fazlası dahil olmak üzere tüm resim formatları arasında dönüştürmeyi destekliyoruz.
Bu dönüştürücü tamamen ücretsizdir ve her zaman ücretsiz olacaktır. Tarayıcınızda çalıştığı için sunucular için ödeme yapmamıza gerek yoktur, bu nedenle sizden ücret almamıza gerek yoktur.
Evet! İstediğiniz kadar dosyayı aynı anda dönüştürebilirsiniz. Sadece eklerken birden fazla dosya seçin.