AI · 輸入格式

背景移除將主體與其周圍環境分離開來，這樣你就可以將其放置在 透明背景上、更換場景或將其合成為新設計。在底層，你正在估算一個 alpha 遮罩——一個從 0 到 1 的每像素不透明度——然後將前景alpha 合成到 其他東西上。這是 Porter–Duff 的數學原理，也是“邊緣”和 直接 alpha 與預乘 alpha 等常見陷阱的起因。有關預乘和線性顏色的實用指南，請參閱 微軟的 Win2D 筆記、 Søren Sandmann 和 Lomont 關於線性混合的文章。

人們移除背景的主要方式

1) 色度鍵（「綠／藍幕」）

如果你能控制拍攝，將背景漆成純色（通常是綠色），然後去背該色調。 這種方法速度快，在電影和廣播中經過實戰檢驗，非常適合影片。權衡之處在於燈光和服裝： 彩色光會溢出到邊緣（尤其是頭髮），所以你需要使用去溢工具來中和污染。 好的入門資料包括 Nuke 的文件、 Mixing Light 和一個實踐性的 Fusion 示範。

2) 互動式分割（傳統電腦視覺）

對於背景雜亂的單張圖片，互動式演算法需要使用者提供一些提示——例如，一個寬鬆的 矩形或塗鴉——然後收斂到一個清晰的遮罩。經典方法是 GrabCut （書中章節），它學習前景／背景的顏色模型，並迭代使用圖割來分離它們。 你會在 GIMP 的前景選擇中看到類似的想法，它基於 SIOX （ImageJ 插件）。

3) 影像去背（細緻 alpha）

去背解決在纖細邊界（頭髮、毛皮、煙霧、玻璃）處的部分透明度問題。經典的 封閉式去背 接受一個三元圖（絕對前景／絕對背景／未知），並求解一個具有強邊緣保真度的 alpha 線性系統。現代的 深度影像去背 在 Adobe Composition-1K 資料集上訓練神經網路（MMEditing 文件），並使用 SAD、MSE、梯度和連通性等指標進行評估（基準解釋器）。

4) 深度學習摳圖（無三元圖）

• U²-Net（顯著性物體檢測）是一個強大的通用“移除背景”引擎 （程式碼庫）。
• MODNet 針對即時人像去背（PDF）。
• F, B, Alpha (FBA) 去背 聯合預測前景、背景和 alpha，以減少顏色光暈 （程式碼庫）。
• 背景去背 V2 假設有一個背景板，並以高達 4K/30fps 的速度即時產生髮絲級去背 （專案頁面, 程式碼庫）。

相關的分割工作也很有用： DeepLabv3+ 使用編碼器-解碼器和空洞卷積來細化邊界 （PDF）； Mask R-CNN 提供每個實例的遮罩 （PDF）；以及 SAM (Segment Anything) 是一個 可提示的基礎模型，可在不熟悉的影像上進行零樣本遮罩生成。

流行工具的功能

• Photoshop: 移除背景 快速操作在底層執行“選取主體 → 圖層遮罩” （此處確認； 教學）。
• GIMP: 前景選取 (SIOX)。
• Canva: 一鍵式 背景移除器，適用於圖片和短片。
• remove.bg: 用於自動化的 Web 應用程式 + API。
• Apple 裝置: 照片／Safari／快速查看中的系統級“從照片背景中提取主體” （iOS 上的摳圖）。

更清晰摳圖的工作流程提示

1. 智慧拍攝。 良好的光線和強烈的主體-背景對比度對每種方法都有幫助。對於綠／藍幕，請計劃 去溢 （指南）。
2. 從寬到窄。 執行自動選取（選取主體、 U²-Net、 SAM），然後用筆刷或去背（例如 封閉式）細化邊緣。
3. 注意半透明。 玻璃、面紗、運動模糊、飛揚的頭髮需要真正的 alpha（不僅僅是硬遮罩）。同時恢復 F/B/α 的方法可以最大限度地減少光暈。
4. 了解你的 alpha。 直接與預乘產生不同的邊緣行為；一致地匯出／合成（參見 概述、 Hargreaves）。
5. 選擇正確的輸出。 對於“無背景”，提供一個帶有乾淨 alpha 的點陣圖（例如 PNG/WebP），或者如果需要進一步編輯，則保留帶有遮罩的圖層檔案。關鍵在於你計算的 alpha 品質——植根於 Porter–Duff。

品質與評估

學術著作報告了在 Composition-1K 上的 SAD、MSE、梯度和連通性錯誤。如果你正在選擇一個模型，請尋找這些指標 （指標定義； 背景去背指標部分）。 對於人像／影片，MODNet 和 背景去背 V2 很強大；對於一般的“顯著物體”影像， U²-Net 是一個堅實的基準；對於棘手的透明度， FBA 可能更乾淨。

常見邊緣案例（及修復方式）

• 頭髮和毛皮： 傾向於去背（三元图或像 MODNet 這樣的人像去背）並在棋盤格上檢查。
• 精細結構（自行車輻條、魚線）： 使用高解析度輸入和像 DeepLabv3+ 這樣的邊界感知分割器作為去背前的預處理步驟。
• 透明物體（煙霧、玻璃）： 你需要分數 alpha 和通常的前景色估計 （FBA）。
• 視訊會議： 如果你能捕捉到一個乾淨的背景板， 背景去背 V2 看起來比簡單的“虛擬背景”切換更自然。

這在現實世界中的應用

• 電子商務： 市場（例如亞馬遜）通常要求主圖背景為純白色；請參閱 產品圖片指南 （RGB 255, 255, 255）。
• 設計工具： Canva 的 背景移除器 和 Photoshop 的 移除背景 簡化了快速摳圖。
• 裝置上的便利性： iOS/macOS 的“從照片背景中提取主體”非常適合休閒分享。

為什麼摳圖有時看起來很假（及修復方式）

• 顏色溢出： 綠色／藍色光包裹著主體——使用 去溢控制 或有針對性的顏色替換。
• 光暈／邊緣： 通常是 alpha 解釋不匹配（直接與預乘）或邊緣像素被舊背景污染；正確轉換／解釋 （概述, 詳情）。
• 錯誤的模糊／顆粒： 將一個銳利的主體粘貼到一個柔和的背景上，它會顯得突兀；在合成後匹配鏡頭模糊和顆粒（參見 Porter–Duff 基礎）。

TL;DR 速查手冊

1. 如果你控制拍攝： 使用色度鍵；均勻打光；計劃 去溢。
2. 如果是一次性照片： 嘗試 Photoshop 的 移除背景、 Canva 的 移除器 或 remove.bg；用筆刷／去背對頭髮進行細化。
3. 如果你需要生產級邊緣： 使用去背（ 封閉式 或深度）並在透明背景上檢查 alpha；注意 alpha 解釋。
4. 對於人像／影片： 考慮 MODNet 或 背景去背 V2；對於點擊引導的分割， SAM 是一個強大的前端。