复旦大学研发新框架：让AI"抠图"技术在视频中也能精准到发丝级别

由复旦大学与上海财经大学联合研发的复旦发丝最新研究成果，以预印本形式于2026年6月25日在arXiv平台公开（论文编号：arXiv:2606.27339v1）。大学该研究提出了一种名为SAM2Matting的新框新框架，突破了传统视频抠图对昂贵标注数据的架让技术级别依赖，在保持低显存占用的抠图同时，实现了电影级精度的视频主体提取。

核心突破：解耦追踪与抠图，中也准以图片数据驱动视频处理

传统视频抠图面临两大痛点：一是复旦发丝视频由成百上千帧组成，需保证时序上的大学轮廓稳定性，避免闪烁抖动；二是新框现有方法严重依赖像素级标注的视频数据集，成本高昂且场景单一（多集中于人物）。架让技术级别

SAM2Matting的抠图创新在于“分工协作”策略：
1. 追踪任务：复用已在海量视频数据上训练成熟的VOS（视频目标分割）模型（如SAM2/SAM3），负责定位主体，视频训练过程中参数冻结。中也准
2. 抠图任务：利用丰富的复旦发丝图片抠图数据训练专门的抠图模块，专注于处理半透明区域（如发丝、薄纱）的Alpha值预测。

这一设计使得仅使用图片数据训练的SAM2Matting，在多项评测指标上超越了专门使用视频数据训练的竞品，且能在不到5GB显存下以40fps的速度处理1080p视频。

一、 视频抠图的“双重困境”

视频抠图本质上包含两个不同层级的技术挑战，现有方法试图用单一模型解决，往往顾此失彼。

1. 高层语义追踪（VOS）：解决“找得到”的问题。主体在运动中可能变形、遮挡或短暂消失，需要模型具备跨帧的时序理解能力。目前SAM2等模型在此领域已非常成熟。
2. 底层精细感知（Matting）：解决“剪得净”的问题。涉及半透明物体（如蝴蝶翅膀、水流）的边缘处理，需为每个像素计算0-1之间的透明度（Alpha值）。这高度依赖高质量的图片抠图数据集。

现有瓶颈：视频抠图数据集标注成本极高，且主要覆盖人物。当主体变为动物、昆虫或复杂透明物体时，现有模型表现急剧下降。SAM2Matting通过解耦这两项任务，分别利用各自领域的最优数据源，实现了性能突破。

二、 架构设计：流水线式的“分工协作”

SAM2Matting采用流水线架构，模拟汽车组装线的专业化分工：

1. 第一站：VOS追踪器（冻结状态）
2. 使用SAM2.1或SAM3等成熟模型，输出粗糙的“主体轮廓遮罩”。

3. 关键点：追踪器参数冻结，确保其强大的泛化追踪能力不被后续任务干扰。

4. 第二站：ROI检测器（感兴趣区域检测）

5. 功能：从粗轮廓中识别出“真正需要精细处理的区域”（如发丝、边缘），而非整个主体。

6. 优势：避免对实心前景（如T恤中间）进行无意义的精细计算，节省算力并提高精度。

7. 第三站：渐进式Alpha预测器

8. 功能：接收ROI检测结果，由粗到细地生成高精度Alpha图。
9. 训练数据：完全基于图片抠图数据训练，无需视频标注。

三、 关键技术详解

1. ROI检测器：智能识别“难啃骨头”

传统方法通常使用机械的“膨胀-腐蚀”操作来划定边界处理区，导致所有边缘（无论简单或复杂）都被同等对待，造成资源浪费或细节丢失。

SAM2Matting的ROI检测器将其重构为智能分类任务，融合以下三类信息：
* 追踪器输出的粗遮罩（主体位置）
* 当前帧图像（视觉细节）
* 多尺度图像特征（宏观到微观理解）

输出结果：生成一张“难度地图”，仅标记复杂区域（如飘发、半透明翅膀、手指缝隙），简单区域直接复用追踪结果。实验显示，该方法能精准定位发丝缝隙，而传统方法往往忽略这些关键细节。随后，系统生成“伪三分图”（Pseudo-trimap），明确指导下游预测器哪些区域需精细计算，哪些可直接判定。

2. 渐进式Alpha预测器：从草稿到精稿

采用多尺度级联精化策略，类似设计师画草图：
* 流程：在低分辨率下生成粗略Alpha图，作为高分辨率预测的初始引导，逐层细化直至最高分辨率。
* 全程监督：不仅评估最终结果，中间每一步“草稿”也接受监督，防止误差累积。
* 纠偏机制：
* 遮罩一致性惩罚：防止主体内部出现非预期的透明“空洞”。
* 平滑度损失：消除边缘锯齿，使轮廓更自然流畅。

四、 实验结果：零样本视频抠图的领先表现

SAM2Matting在图片抠图和视频抠图两大领域均取得显著成果，特别是在视频任务中实现了零样本（Zero-shot）泛化——即训练时未使用任何视频抠图数据。

1. 图片抠图性能

在P3M-500-NP、AM-2K、PPM-100等标准数据集上，SAM2Matting各变体（基于SAM2.1-Tiny/Base+及SAM3）在MAD（平均绝对误差）、MSE等指标上全面超越现有方法。
* 案例：在P3M-500-NP上，SAM2.1-Tiny的MAD为3.92，远低于此前领先的MAM方法（15.40），误差仅为后者的约1/4。

2. 视频抠图性能（零样本评测）

在V-HIM60-Hard等高难度测试集上，SAM2Matting表现优异：
* 精度：SAM3变体MAD为14.37，而专门用视频数据训练的MatAnyone2为45.75，精度提升显著。
* 时序一致性：dtSSD指标为4.37，证明其继承了VOS追踪器的时序稳定性，帧间无闪烁。

3. 效率与资源占用

• 速度：1080p视频下，SAM2.1-Tiny达40.31 fps，SAM2.1-Base+达30.36 fps，均满足实时处理需求。
• 显存：全程占用低于5GB，且在4K分辨率下运行稳定。相比之下，竞品MatAnyone在1080p下仅约10fps，且在更高分辨率下常因显存溢出（OOM）崩溃。

五、 消融实验与鲁棒性分析

1. 组件贡献验证

• ROI检测器必要性：替换为机械膨胀腐蚀操作后，MAD从18.20飙升至29.82（增幅>60%）；直接使用原始遮罩MAD为20.07。证明智能ROI识别至关重要。
• 渐进式策略：移除多尺度精化机制后，MAD上升至19.43，验证了由粗到细策略的有效性。
• 纠偏机制：移除一致性惩罚或平滑度损失后，指标均有下降，证明其在消除空洞和锯齿方面的作用。

2. 微调的“双刃剑”效应

研究团队测试了使用视频数据对SAM2Matting进行微调的效果：
* 人物视频：MAD小幅下降（18.20 -> 17.90），略有提升。
* 动物/复杂场景：MAD上升（4.90 -> 5.23），性能下降。
* 结论：窄领域的视频微调会“腐蚀”追踪器的通用泛化能力，导致在非人物主体（如摩托车、动物）上出现追踪偏移。这印证了“不微调、纯零样本”策略在通用性上的优势。

3. 现实场景鲁棒性

• 多模态提示：支持点击、框选、初始遮罩及SAM3的文字描述（如"the man"），用户交互灵活。
• 误差纠正：ROI检测器具备自我纠错能力。例如，当追踪器漏掉滑雪者的雪杖时，ROI能根据视觉特征将其找回；当追踪器误入背景桌子时，ROI能将其排除。
• 长视频稳定性：在500帧视频中，主体多次出画又入画，系统能保持追踪稳定，无误报，入画后即时恢复精准抠图。

六、 总结与展望

SAM2Matting的核心价值在于其范式创新：面对“追踪+精细感知”这类复杂任务，不盲目堆砌数据或模型，而是通过解耦任务结构，让擅长追踪的模型和擅长抠图的模块各司其职。

实际影响：
* 降低门槛：普通电脑即可处理高清实时抠图，无需高端显卡。
* 场景拓宽：对非人物主体（宠物、植物、透明物体）的支持，大幅扩展了虚拟背景、特效合成等应用范围。
* 未来方向：目前仍需首帧提示，未来若结合更复杂的语义理解或自动主体推断，该框架潜力巨大。

感兴趣的研究者可通过arXiv:2606.27339v1获取完整论文及代码仓库。

Q&A

Q1：SAM2Matting为何能在无视频抠图训练数据的情况下，超越专门用视频数据训练的方法？
A：它采用了任务解耦策略。追踪部分复用已在海量视频上训练好的SAM2/SAM3模型，保证泛化能力；抠图部分利用丰富的图片数据训练，避开视频标注成本高、场景窄的瓶颈。两者互不干扰，实现了“1+1>2”的效果。

Q2：ROI检测器与传统膨胀腐蚀操作有何区别？
A：传统方法对所有边界均匀扩圈，无法区分复杂（如头发）与简单（如平整衣物）区域，导致资源浪费或细节丢失。ROI检测器通过融合多源信息，智能识别出真正需要精细处理的像素（如发丝、半透明边缘），避免无效计算。实验显示其MAD比传统方法低约40%。

Q3：为何用视频数据微调SAM2Matting后，部分场景效果反而变差？
A：视频抠图数据集规模小且以人物为主。微调会覆盖追踪器原有的通用泛化能力，导致模型过拟合于特定人物场景。在非人物主体（如动物）或复杂运动中，追踪器出现偏移和误判，证明保持零样本状态更有利于通用性。

(责任编辑：娱乐)