Image matting (маттинг)

Image matting (маттинг, альфа-маттинг) — задача компьютерного зрения по точному отделению переднего плана от фона с вычислением непрерывного коэффициента прозрачности (alpha) для каждого пикселя. Формально каждый пиксель изображения I представляется как смесь: I = α·F + (1−α)·B, где F — цвет переднего плана, B — цвет фона, а α принимает любое значение от 0 до 1. Именно это отличает маттинг от обычной сегментации-маски, которая выдаёт лишь бинарное решение «объект / не объект».

Чем маттинг отличается от сегментации

Сегментация решает, принадлежит пиксель объекту или нет — на выходе жёсткая маска из нулей и единиц. Маттинг же оценивает долю объекта в пикселе. На границе волос или полупрозрачной ткани один пиксель содержит и цвет пряди, и цвет фона одновременно — бинарная маска здесь неизбежно даёт «лесенку» и ореол, а маттинг возвращает плавный градиент прозрачности.

• Сегментация: α ∈ {0, 1} — быстро, но грубо на краях
• Маттинг: α ∈ [0, 1] — медленнее, но фотореалистичный альфа-канал

Где критичен точный маттинг

• Волосы и мех — тысячи тонких прядей, каждая тоньше пикселя
• Прозрачные и полупрозрачные объекты — стекло, вуаль, дым, вода
• Motion blur — размытые от движения края
• Товарная съёмка — украшения, бокалы, ткани для маркетплейсов

Методы маттинга

Классический маттинг требовал ручного trimap — карты из трёх зон (точно фон, точно объект, неизвестная область). Современные нейросети выполняют trimap-free matting без ручной разметки. Ключевые модели 2024–2026: BiRefNet, MODNet, BRIA RMBG, а также BRIA RMBG 2.0, обученная на лицензионных данных. Качество измеряют метриками SAD, MSE, Gradient и Connectivity error на бенчмарках Composition-1k и AIM-500.

Маттинг в PhotoPanda

Инструмент удаления фона в PhotoPanda использует именно маттинг, а не грубую сегментацию — поэтому волосы и мех сохраняются без ореола. Результат экспортируется в PNG с полноценным альфа-каналом, готовый к наложению на любой новый фон.