ViTMatte
概述
ViTMatte 模型由姚景峰、王兴刚、杨树生、王宝元在 使用预训练的纯视觉Transformer增强图像抠图 中提出。ViTMatte 利用纯 视觉Transformer 完成图像抠图任务，该任务指的是准确地估计图像和视频中前景物体。
论文摘要如下
近年来，纯视觉 Transformer (ViT) 在各种计算机视觉任务中展现出令人印象深刻的性能，这得益于其强大的建模能力和大型预训练。然而，它们尚未克服图像抠图的问题。我们假设图像抠图也可以通过 ViT 提升，并提出了一种新的高效且稳健的基于 ViT 的抠图系统，名为 ViTMatte。我们的方法利用 (i) 混合注意力机制结合卷积颈部，帮助 ViT 在抠图任务中实现出色的性能-计算权衡。 (ii) 此外，我们引入了细节捕获模块，它仅由简单的轻量级卷积组成，以补充抠图所需的细节信息。据我们所知，ViTMatte 是第一个利用简洁的适应来释放 ViT 在图像抠图方面的潜力的工作。它继承了 ViT 的许多优越属性，包括各种预训练策略、简洁的架构设计和灵活的推理策略。我们在 Composition-1k 和 Distinctions-646 上评估了 ViTMatte，这两个是图像抠图最常用的基准，我们的方法达到了最先进的性能，并大幅度地超越了之前的抠图工作。
ViTMatte 高级概述。取自 原始论文。资源
以下是官方 Hugging Face 和社区（以 🌎 表示）的资源列表，可帮助您开始使用 ViTMatte。
- 关于使用 VitMatteForImageMatting 进行推理的演示笔记本，包括背景替换，可以在这里找到 这里。
该模型需要图像和三元组（连接）作为输入。为此目的，请使用 ViTMatteImageProcessor。
VitMatteConfig
class transformers.VitMatteConfig
< 源代码 >( backbone_config: PretrainedConfig = None backbone = None use_pretrained_backbone = False use_timm_backbone = False backbone_kwargs = None hidden_size: int = 384 batch_norm_eps: float = 1e-05 initializer_range: float = 0.02 convstream_hidden_sizes: List = [48, 96, 192] fusion_hidden_sizes: List = [256, 128, 64, 32] **kwargs )
参数
- backbone_config (
PretrainedConfig或dict，可选，默认值为VitDetConfig()) — 骨干模型的配置。 - backbone (
str，可选) — 当backbone_config为None时要使用的骨干名称。如果use_pretrained_backbone为True，则将从 timm 或 transformers 库加载相应的预训练权重。如果use_pretrained_backbone为False，则加载骨干的配置，并使用该配置来使用随机权重初始化骨干。 - use_pretrained_backbone (
bool，可选，默认值为False) — 是否对骨干使用预训练权重。 - use_timm_backbone (
bool，可选，默认值为False) — 是否从 timm 库加载backbone。如果为False，则从 transformers 库加载骨干。 - backbone_kwargs (
dict，可选) — 传递给 AutoBackbone 的关键字参数，用于从检查点加载，例如{'out_indices': (0, 1, 2, 3)}。如果设置了backbone_config，则无法指定。 - batch_norm_eps (
float, 可选, 默认值为 1e-05) — 批归一化层使用的epsilon值。 - initializer_range (
float, 可选, 默认值为 0.02) — 初始化所有权重矩阵的截断正态分布的标准差。 - convstream_hidden_sizes (
List[int], 可选, 默认值为[48, 96, 192]) — ConvStream 模块的输出通道数。 - fusion_hidden_sizes (
List[int], 可选, 默认值为[256, 128, 64, 32]) — Fusion 模块的输出通道数。
这是用于存储 VitMatteForImageMatting 配置的配置类。它用于根据指定的参数实例化一个 ViTMatte 模型，定义模型的架构。使用默认值实例化配置将产生类似于 ViTMatte hustvl/vitmatte-small-composition-1k 架构的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import VitMatteConfig, VitMatteForImageMatting
>>> # Initializing a ViTMatte hustvl/vitmatte-small-composition-1k style configuration
>>> configuration = VitMatteConfig()
>>> # Initializing a model (with random weights) from the hustvl/vitmatte-small-composition-1k style configuration
>>> model = VitMatteForImageMatting(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config将此实例序列化为 Python 字典。覆盖默认的 to_dict()。返回: Dict[str, any]: 构成此配置实例的所有属性的字典。
VitMatteImageProcessor
class transformers.VitMatteImageProcessor
< source >( do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_pad: bool = True size_divisibility: int = 32 **kwargs )
参数
- do_rescale (
bool, 可选, 默认值为True) — 是否按指定的比例rescale_factor对图像进行缩放。可以通过preprocess方法中的do_rescale参数覆盖。 - rescale_factor (
int或float, 可选, 默认值为1/255) — 如果对图像进行缩放，要使用的比例因子。可以通过preprocess方法中的rescale_factor参数覆盖。 - image_std (
float或List[float], 可选，默认值为IMAGENET_STANDARD_STD) — 如果对图像进行归一化，则要使用的标准差。这是一个浮点数或浮点数列表，其长度等于图像中通道的数量。可以在preprocess方法中使用image_std参数覆盖它。 - do_pad (
bool, 可选，默认值为True) — 是否对图像进行填充以使宽度和高度可以被size_divisibility整除。可以在preprocess方法中使用do_pad参数覆盖它。 - size_divisibility (
int, 可选，默认值为 32) — 图像的宽度和高度将被填充以使其可以被此数字整除。
构建一个 ViTMatte 图像处理器。
preprocess
< source >( images: Union trimaps: Union do_rescale: Optional = None rescale_factor: Optional = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None do_pad: Optional = None size_divisibility: Optional = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )
参数
- images (
ImageInput) — 要预处理的图像。需要单张或批量的图像，像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的图像，请设置do_rescale=False。 - trimaps (
ImageInput) — 要预处理的 trimap。 - do_rescale (
bool, 可选，默认值为self.do_rescale) — 是否将图像值重新缩放到 [0-1] 之间。 - rescale_factor (
float, 可选，默认值为self.rescale_factor) — 如果do_rescale设置为True，则要用来重新缩放图像的缩放因子。 - do_normalize (
bool, 可选, 默认为self.do_normalize) — 是否对图像进行归一化。 - image_mean (
float或List[float], 可选, 默认为self.image_mean) — 如果do_normalize设置为True，则使用的图像均值。 - image_std (
float或List[float], 可选, 默认为self.image_std) — 如果do_normalize设置为True，则使用的图像标准差。 - do_pad (
bool, 可选, 默认为self.do_pad) — 是否对图像进行填充。 - size_divisibility (
int, 可选, 默认为self.size_divisibility) — 如果do_pad设置为True，则填充图像的尺寸可分性。 - return_tensors (
str或TensorType, 可选) — 要返回的张量类型。可以是以下之一：- 未设置：返回
np.ndarray的列表。 TensorType.TENSORFLOW或'tf'：返回tf.Tensor类型的批次。TensorType.PYTORCH或'pt'：返回torch.Tensor类型的批次。TensorType.NUMPY或'np'：返回np.ndarray类型的批次。TensorType.JAX或'jax'：返回jax.numpy.ndarray类型的批次。
- 未设置：返回
- data_format (
ChannelDimension或str, 可选, 默认为ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一："channels_first"或ChannelDimension.FIRST：图像以 (通道数, 高度, 宽度) 格式。"channels_last"或ChannelDimension.LAST：图像以 (高度, 宽度, 通道数) 格式。- 未设置：使用输入图像的通道维度格式。
- input_data_format (
ChannelDimension或str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。可以是以下之一："channels_first"或ChannelDimension.FIRST：图像以 (通道数, 高度, 宽度) 格式。"channels_last"或ChannelDimension.LAST：图像以 (高度, 宽度, 通道数) 格式。"none"或ChannelDimension.NONE：图像以 (高度, 宽度) 格式。
预处理图像或一批图像。
VitMatteForImageMatting
class transformers.VitMatteForImageMatting
< 源代码 >( config )
参数
- 该模型是 PyTorch [torch.nn.Module](https —//pytorch.ac.cn/docs/stable/nn.html#torch.nn.Module) 的子类。使用
- 它作为一个普通的 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的任何事项。 — config (UperNetConfig): 模型配置类，包含模型的所有参数。用配置文件初始化不会加载与模型相关的权重，只加载配置。查看 from_pretrained() 方法来加载模型权重。
利用任何视觉主干的 ViTMatte 框架，例如 ADE20k、CityScapes。
forward
< source >( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None labels: Optional = None return_dict: Optional = None ) → transformers.models.vitmatte.modeling_vitmatte.ImageMattingOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 像素值。如果您提供它，默认情况下将忽略填充。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参见 VitMatteImageProcessor.call()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量（如果主干有注意力层）。有关更多详细信息，请参阅返回张量中的attentions。 - output_hidden_states (
bool, 可选) — 是否返回主干所有层的隐藏状态。有关更多详细信息，请参阅返回张量中的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是简单的元组。 - labels (
torch.LongTensor形状为(batch_size, height, width), 可选) — 用于计算损失的真实图像抠图。
返回值
transformers.models.vitmatte.modeling_vitmatte.ImageMattingOutput 或 tuple(torch.FloatTensor)
transformers.models.vitmatte.modeling_vitmatte.ImageMattingOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (VitMatteConfig) 和输入的不同元素。
-
loss (
torch.FloatTensor形状为(1,), 可选, 当提供labels时返回) — 损失。 -
alphas (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 估计的 alpha 值。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入的输出，如果模型有嵌入层，+ 一个用于每个阶段的输出）形状为(batch_size, sequence_length, hidden_size)。模型在每个阶段输出处的隐藏状态（也称为特征图）。 -
attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每个层一个）形状为(batch_size, num_heads, patch_size, sequence_length)。注意力softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
VitMatteForImageMatting 正向方法，覆盖 __call__ 特殊方法。
虽然正向传递的配方需要在此函数中定义，但应在之后调用 Module 实例，而不是此函数，因为前者负责运行前处理和后处理步骤，而后者会静默地忽略它们。
示例
>>> from transformers import VitMatteImageProcessor, VitMatteForImageMatting
>>> import torch
>>> from PIL import Image
>>> from huggingface_hub import hf_hub_download
>>> processor = VitMatteImageProcessor.from_pretrained("hustvl/vitmatte-small-composition-1k")
>>> model = VitMatteForImageMatting.from_pretrained("hustvl/vitmatte-small-composition-1k")
>>> filepath = hf_hub_download(
... repo_id="hf-internal-testing/image-matting-fixtures", filename="image.png", repo_type="dataset"
... )
>>> image = Image.open(filepath).convert("RGB")
>>> filepath = hf_hub_download(
... repo_id="hf-internal-testing/image-matting-fixtures", filename="trimap.png", repo_type="dataset"
... )
>>> trimap = Image.open(filepath).convert("L")
>>> # prepare image + trimap for the model
>>> inputs = processor(images=image, trimaps=trimap, return_tensors="pt")
>>> with torch.no_grad():
... alphas = model(**inputs).alphas
>>> print(alphas.shape)
torch.Size([1, 1, 640, 960])