BiRefNet 深度解读：从图片分割到镜架边缘形态优化

Tue, 09 Jun 2026 00:00:00 +0800

开头：BiRefNet 到底在做什么

BiRefNet 可以先粗略理解成一个高质量前景分割模型。它拿到一张图片之后，不是直接输出一张透明 PNG，而是先输出一张 mask：

白色区域：要保留的主体
黑色区域：要删除的背景
灰色区域：边缘、不确定或半透明过渡

如果我们要做商品抠图，最终流程通常是：

原始图片
↓
BiRefNet 预测 mask
↓
mask 作为 alpha 通道
↓
得到透明背景 PNG

比如一副眼镜放在白色桌面上，BiRefNet 要判断每个像素属于眼镜还是背景。真正的难点不在于“整副眼镜在哪里”，而在于鼻托、镜腿、镜框内侧边缘、镜片孔洞这些细节是否干净、连续、圆润。

这篇文章按一个完全不懂深度学习的人也能理解的方式，解释 BiRefNet 的工作链路，并重点讨论一个很实际的问题：如果模型整体已经抠得很准，但镜架鼻托边缘还有毛刺和不规整，下一步应该怎么修。

总览：BiRefNet 的基本分工

可以先把 BiRefNet 拆成两个大部分：

图片
↓
backbone：提取视觉特征
↓
decoder / refinement：融合特征并生成 mask
↓
输出前景 mask

更通俗一点：

backbone = 看图并提取证据
decoder = 根据证据画出最终 mask

backbone 不直接输出“这个像素是前景、那个像素是背景”。它输出的是很多层特征图。decoder 才负责把这些特征图融合起来，变成最终可用的分割结果。

Backbone：不是空模型，而是视觉特征提取器

很多人第一次听到 backbone，会以为它是一个空权重模型。其实不是。

backbone 是整个网络里的视觉主干，它负责把原始 RGB 像素转换成模型内部能理解的特征。以一张 1024x1024 图片为例，原始输入大概是：

[3, 1024, 1024]

这里的 3 是 RGB 三个颜色通道。进入 backbone 后，它可能输出多层特征：

从标量、向量到张量：深度学习里的“数字容器”到底是什么？

Thu, 14 May 2026 09:55:14 +0800

刚接触深度学习时，很多人会被一堆词劝退：标量、向量、矩阵、张量、维度、形状、通道、批次……这些词看起来像数学课，其实它们背后的核心很简单：深度学习处理的东西，本质上是一堆数字；这些概念只是说明数字被怎样摆放。

你可以先把它们理解成不同大小、不同结构的“数字容器”：

标量：一个数字。
向量：一排数字。
矩阵：一张表格。
张量：更通用的多维数字容器。

这篇文章不要求你有高等数学基础。我们只抓住一个目标：以后看到 shape = (32, 3, 224, 224) 这种写法时，你知道它大概在说什么。

先建立直觉：模型只认识数字

人看到一张猫的图片，会说“这是一只猫”。但神经网络不能直接理解“猫”这个字，也不能像人一样直接理解图像含义。它真正拿到的是数字。

比如一张图片，在计算机里通常可以表示成很多像素点；每个像素点又可以用数字表示颜色。文本、声音、表格数据也一样，最后都要转成数字，模型才能计算。

所以深度学习里的问题，经常会变成：

这些数字怎么组织？模型每一步拿到的数字长什么样？

这就是标量、向量、矩阵、张量这些概念的用处。

标量：一个单独的数字

标量就是一个数。

例如：

3
0.01
-2.7

在深度学习中，很多结果都是标量：

学习率 0.001 是一个标量。
某次训练的损失值 1.26 是一个标量。
一个分类结果的概率 0.87 也可以是一个标量。

标量没有方向，也没有一排、一列、几行几列这些结构。它就是一个孤零零的数字。

如果用“维度”来描述，标量通常可以理解为 0 维。这里的 0 维不是说它不重要，而是说它没有展开成列表或表格。

向量：一排数字

向量是一组按顺序排好的数字。

例如：

[170, 65, 23]

你可以把它理解成一个人的三个特征：身高 170、体重 65、年龄 23。单个数字只能表达一个量，一排数字就可以一起描述一个对象。

在机器学习里，一个样本经常会被表示成一个向量：

[面积, 卧室数量, 楼层, 距离地铁距离]

如果我们要预测房价，就可以把每套房子变成这样一排数字。模型拿到的不是“这套房子不错”这种自然语言，而是一组可以计算的数。

向量通常可以理解为 1 维。这里的 1 维指的是它只有一个方向可以数：从左到右数第 1 个、第 2 个、第 3 个……

深度学习 on 随手记