分割和Matting的一个重要区别是：分割返回的是像素分类标签，其结果是整型数据；而Matting返回的是属于前景或背景的概率P，从而在前景与背景交互区域产生渐变的效果，使得抠图更加自然。Matting分割模型训练完成后，对于原始图像每个位置上的像素，都将生成一个表示其前景透明度的值，称为 Alpha。 图像中所有 Alpha 值的集合称为 Alpha Matte。最后，利用Alpha将原始图像的对应位置上的像素点做pixel-wise的运算，便可实现精细的背景替换。本期我们介绍的便是百度开源的图片Matting模型--PP-Matting。
PP Matting，是一种无三分图的架构，可以实现高精度的自然图像Matting。此方法应用了高分辨率细节分支（HRDB），该分支在保持特征分辨率不变的情况下提取前景的细粒度细节。此外，还提出了一个语义上下文分支（SCB），它采用了语义分割子任务。防止了由于语义上下文缺失而导致的局部歧义的细节预测。
PP Matting的主要贡献：
- 这是一种高精度的Matting网络，它在没有任何辅助信息的情况下将单
