FeynAI 正式发布了 FeyNoBg，一款在背景去除（Background Removal）任务上达到最先进（SOTA）水平的深度学习模型。与此同时，为了降低该领域的开发门槛并促进社区创新，FeynAI 还开源了其专用的训练与推理库 NoBg。
- 官方介绍：https://usefeyn.com/blog/feynobg
- GitHub：https://github.com/feyninc/nobg
- 模型：https://huggingface.co/feyninc/FeyNobg
- Demo：https://huggingface.co/spaces/feyninc/feynobg
FeyNoBg 在八个主流基准测试中表现卓越：在四个测试中取得了最佳已发布的 S-measure 分数，而在其余四个测试中，其性能与领先者差距仅在 2% 以内。这一成果证明了其在处理复杂场景、精细边缘及多样化主体时的强大鲁棒性。
核心技术突破：平衡“定位”与“边界”
背景去除的本质是为每个像素预测不透明度值，这需要模型具备两项关键能力：前景分离（定位）与边界追踪（细节）。传统模型往往因训练数据混合不佳而导致能力失衡——要么遗漏主体部分，要么边缘粗糙。
FeyNoBg 基于 BiRefNet 架构进行了针对性优化：
- 深化特征提取器：
- BiRefNet 的定位模块负责寻找前景，重建模块负责追踪边界，两者都高度依赖特征提取器第三阶段生成的特征图。
- FeynAI 将该阶段的块数从 18 个扩展到 24 个，使模型参数量从 2.22 亿适度增加至 2.63 亿。
- 通过保留兼容的预训练权重，仅对新增加的六个块进行训练，模型在获得更强信息保留能力的同时，避免了灾难性遗忘。
- 多样化数据混合策略：
- 初期教训：仅使用 MaskFactory 合成数据训练时，模型在 CAMO 基准上提升，但在 DIS5K 上退化，证明了单一数据源的局限性。
- 最终方案：构建了一个包含 2.61 万张图像的多样化数据集，涵盖拥挤场景、伪装物体、高分辨率主体、肖像及动漫等。
- 统一目标：将分割数据集的前景掩码与抠图数据集的 Alpha 遮罩统一转换为二值前景掩码，确保训练目标的一致性，从而让模型在更广泛的场景中学习识别和勾勒前景。
性能表现
S-measure 是衡量前景完整性与形状忠实度的关键指标（0-1分，越高越好）。FeyNoBg 的表现如下：
- 领先优势：在 8 个基准测试中的 4 个取得最佳 S-measure。
- 紧随其后：在另外 4 个测试中，与当前 SOTA 模型的差距小于 2%。
- 显著改进：通过引入更广泛的数据混合，成功扭转了在 DIS5K 基准上的早期退步，使其成为领先结果之一。
NoBg：标准化的背景去除开发与训练库
为了解决现有抠图模型仓库孤立、接口不一致、微调困难的问题，FeynAI 开发了 NoBg 库并予以开源。
- 统一接口：提供一致的 API 用于运行 FeyNoBg 或训练自定义模型，无需编写繁琐的适配器。
- 高性能优化：相比原始 BiRefNet 实现，NoBg 在批量大小为 1、2 和 4 时均实现了更高的吞吐量、更低的延迟以及更低的峰值 GPU 内存占用。
- 开源生态：开发者可以使用 NoBg 轻松复现 FeyNoBg 的效果，或基于此框架训练针对特定领域（如电商、医疗影像）的背景去除模型。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
