1.introduction

DiffusionMat的基本思想是未知区域的抠图可以逐步改进，并从每一次的迭代的反馈中受益，纠正和细化结果。

2.related works

Segdiff、BitDiffusion、DiffusionDet、

3.Approach

通过一种新颖的校正策略将trimap引导转化为精确的alpha matte。

3.1 Proceure

        给定输入图像I以及trimap guidance m，我们的目标是推导出相应的alpha，与现有的一次性预测方法不同，引入了一种顺序细化学习策略，将有噪声的trimap转化为清晰的alpha。trimap到alpha的转换可以视为条件图像生成过程，SDEdit为此生成提供了一个简单的流程，通过随机微分方程的迭代去噪来合成给定导向下的输出图像。SDEdit从trimap guidance m开始最初使用随机噪声扰动创建时间步T处的有噪声掩码mT，随后这个破坏的trimap mT通过扩散模型的采样过程经历去噪的迭代，最终得到alphaSDE。

3.1.1 Deterministic Denoising

         在SDEdit中，由于随机噪声带来的随机性，可以将噪声引导的trimap图像去噪为任意的alpha抠图，然而作为一项感知任务，图像抠图只有一个确定性的alpha抠图，为了获取精确的alpha，我们使用GT反转引导来纠正中间去噪结果，具体来说，给定GT alpha，通过DDIM反转将其映射到预训练的扩散模型上，并获得确定性的反转轨迹，可以纠正过程中用作监督信号。在每个去噪时间步t中，使用图像编码器Etheta和纠正模块Ctheta来纠正中间的去噪结果mt，首先使用图像编码器etheta对图像I进行编码，得到图像特征fI，随后，将fI和mt拼接起来，将这个组合输入传递给纠正模块Ctheta，生成纠正的去噪结果mtcorr，

3.1.2 Alpha reliability propagation

        对所有像素学习修正是不必要的，因为trimap和alpha之间的差异只存在与未知区域，引入了Alpha Reliability Propagation（ARP）模块，通过已知区域调整中间的去噪结果。

 3.1.3 loss function        

4.experiments

3090训练，unet架构作为扩散模型，去掉了unet中的att_block，swin-unet作为图像编码器，纠正网络结构和扩散模型相同，都是unet，输入图像512x512，