前言
视频制作者可能都遇到过需要“抠图”的情况，即需要把一幅画面中的部分对象抠出来合成到另一幅画面之中。
伊利诺伊大学厄巴纳-香槟分校的研究者在ECCV 2022上提出了一个长视频目标分割算法XMem，不仅可以分割目标，还能处理超过长视频。而且，它对显存要求不高，2GB的显卡都可以带动。
论文标题：XMem: Long-Term Video Object Segmentation with an Atkinson-Shiffrin Memory Model
论文链接：https://arxiv.org/pdf/2207.07115.pdf
开源代码：https://github.com/hkchengrex/XMem
抠图方法概述
为了比较XMem的抠图效果，首先先利用视频制作者常用到的几款视频抠图工具。
这里我选取的视频素材是朋友手绘的一个游戏人物，并且它的背景五颜六色，给抠图造成了一定的难度。
素材链接：https://www.bilibili.com/video/BV1Rt4y1L7Rb
PR超级键
在PR中有个效果叫超级键，可以指定吸取某一种颜色，但是当背景颜色和人物颜色上有相似的颜色时，吸取背景色的同时会同时把人物上的颜色同时吸除，从而让人物显得发灰，如下图所示：
PR钢笔抠图
钢笔抠图就是对于每一帧用打点的方式进行抠出来，费时费力，效率太低，而且边缘处理较为困难，这里不再展开。
AE笔刷
AE中有个Roto笔刷工具，可以快速做到类似钢笔抠图的功能。
打开笔刷工具后，进入到视频图层。
按住Ctrl+鼠标左键，拖动鼠标左右可以调整笔刷大小。
按住鼠标左键涂抹可以选择前景扣出对象(绿色)，按住Alt+鼠标左键涂抹可以选择背景。
不过该方法仍然不够精准，特别是在这个动漫人物上。
智能抠图网站
经过搜索，查阅到一些AI智能抠图网站，这里以unscreen网站为例，上传视频稍等片刻即可。
可以看到即便没指定画面的主体，算法自动得将人物抠出来了，不过边缘仍然有背景色的残留。并且如果不指定画面的主体的话，对于多对象的扣离任务可能会产生问题。
综上，现有的一些抠图方式各有优劣，都无法快速完美实现需求。
XMem理论简述
下面轮到主角XMem算法了，先简单看看该算法的原理。
该算法的Overview如下图所示：
该算法将内存分成三部分：瞬时内存、工作内存、长期内存(受到人脑三部分记忆：瞬时记忆、短期记忆和长期记忆的启发)
其中，瞬时内存会每帧更新一次，来记录画面中的图像信息。工作内存从瞬时内存中收集画面信息，每r帧更新一次。当工作内存饱和时，它会被压缩转移到长期内存里。当长期内存也饱和(数千帧)时，会随着时间推移忘记过时的特征。
更进一步，XMem处理每一帧画面的过程如下：
整个算法由3个end to end的网络组成。
第一个查询编码器（Query encoder）用来追踪提取查询特定图像特征，经过一系列处理之后，将信息传入到第二个解码器（Decoder）中，生成对象掩码。最后一个值编码器（Value encoder）将图像和目标的掩码相结合，从而来提取新的内存特征值，添加到工作内存中。
在论文中，作者将XMem算法和其他JOINT、AFB-URR、STCN等算法进行对比，可以看到在不同长度的视频帧中，XMem均取得了不错的效果。
XMem实践上手
下面到了快乐的实践环节。
克隆代码，配置环境不再赘述。
作者提供了多套模型，这里只需要下载下图所示的三个，如果下载麻烦，可以在博文最后使用我备份的下载链接。
模型下载需要创建一个saves文件夹，并将模型放置其中。
之后，在终端输入：
python interactive_demo.py --video video/demo.mp4 --num_objects 4
这里的video指向输入的视频路径，num_objects是对象数量，这里使用的是作者提供的一段视频。
如果运行不报错，会弹出下方这个可视化界面。
该算法基本属于半监督学习，需要引入人为先验信息，因此需要先在前几帧通过点击对象进行标注，标注之后点击Forward Propagate进行前向推理，稍等片刻，算法会对每一帧画面进行处理。
移动下面的蓝色小标，可以预览每一帧处理结果，也可以手动进行调整。
处理完之后，算法会生成一个workspace文件夹，对于每一个视频包含两个文件夹，第一个包含视频每一帧的图片画面，第二个包含视频每一帧的遮罩。
该算法并不能直接输出带透明通道的视频，因此可以利用PR进行后续处理。
在PR中，先按图片顺序导入轨道，再调整持续时间合成视频。
之后将mask的红色区域用超级键进行吸除，这样和原图像画面叠加，得到目标对象。
然后利用颜色替换功能，将黑色背景替换为绿色(该颜色须为扣离对象中并不包含的颜色)，再加一个超级键吸取绿色，这样就得到了想要的透明背景的目标对象。
效果演示
下面来看抠图之后的效果，视频中使用了另一个图像补帧算法，将在下一篇博文介绍。
AI补帧：RIFE效果演示
总体下来该算法还是比上述一些传统方法要抠得干净的，不过边缘部分仍有一些小瑕疵，视频中使用了手动调色等手段进行了优化。
代码备份
包含源代码，模型文件，测试视频：
https://pan.baidu.com/s/12PE8xoUaUZjFm3Y8Q5DfUA?pwd=8888