过年前，剪纸师傅刘师傅在案板上铺开一张红纸。他眯起眼睛，先用铅笔在纸上勾描轮廓，把要留下的人物、要丢掉的边角在心里定好位，然后才拿起剪刀。剪刀沿着轮廓走，纸屑一片片落下，十几分钟后窗台上多了一张活灵活现的“福娃”。这个过程的专业名称叫“抠图”——在图片里把主体从背景中分离出来。 以前，这一针一线的活儿全靠设计师手动完成，碰到一张照片，要沿着头发丝、衣服褶皱一点点勾勒，修一张图动辄半小时。如今，AI 把这门手艺变成了“自动化流水线”：你上传一张照片，几秒钟后就能得到一张透明背景的主体图。手机上的小程序、电脑里的软件、程序员调用的代码，背后都是同一个原理——让模型学会像刘师傅一样判断“哪里留、哪里删”。 本篇文章就用“剪纸”这条主线来带你认识 AI 抠图：背景为什么能去掉？AI 是怎么找到主体轮廓的？我们手上的工具有哪些？常见坑又在哪？读完你也能拿一张生活照亲手“剪”出一张透明底。

岗位关联

学会 AI 背景移除，等于掌握了图片处理中的高频刚需技能。对电商运营、设计师和 AI 应用开发者来说，这是把重复劳动变成自动化能力的第一步，也是踏入图像分割、AIGC 后处理方向的绝佳入口。

目录
  1. 可视化演示
  2. 1. 图像分割原理
  3. 2. 三类分割流派
  4. 3. 掩码透明机制
  5. 4. 传统工具痛点
  6. 5. AI 模型原理
  7. 6. 实战工具用法
  8. 7. 痛点优化技巧
  9. 8. 实际应用场景
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示HTTP请求从客户端发送到服务器处理并返回响应的完整流程，支持切换GET/POST/PUT/DELETE方法观察差异。

本节配有交互动效（进入视口后自动加载，约 3KB）。

GET请求 客户端发送GET请求到服务器，请求头包含方法和路径 服务器处理请求并返回200状态码及响应体 GET方法用于读取资源，不修改服务器状态

1. 图像分割原理

刘师傅剪窗花前，会把红纸举到灯光下反复端详：哪里是人物的轮廓，哪里是可以下刀的缝隙。AI 的第一节课也一样——它先要把图片“看明白”，在众多像素中划出“主体”和“背景”的分界线。这个把像素归类划分的过程，就叫图像分割。

图像由无数个小方格——像素——组成。分割任务要做的事情是：对每一个像素，判断它属于前景还是背景。对普通照片来说，前景可以是一个人、一只猫、一台冰箱；背景则是桌面、墙壁、草地。AI 模型通过大量标注好的图片，学会“看一眼就知道”某一类像素应该归到哪里。

输出的结果可以写成一个函数形式：对坐标 \((x,y)\) 的像素，模型输出它属于每个候选类别的概率，然后取概率最大的类别作为该像素的最终标签。

这样，整张图就变成了一张“标签图”——刘师傅手里的红纸上，哪些下刀、哪些保留，被 AI 用数字先画了出来。

L(x,y)=arg⁡max⁡cP(c∣x,y)L(x,y) = \displaystyle \arg\max_c P(c \mid x,y)
  1. 预测标签 L(x,y)\(L\) 表示这个像素最终被分到的类别，比如“前景”或“背景”，这是分割的最终输出。
    L(x,y)∈{fg,bg}\displaystyle L(x,y) \in \{\text{fg}, \text{bg}\}
  2. 像素类别概率 P(c|x,y)在坐标 \((x,y)\) 处，像素属于类别 \(c\) 的可能性，数值在 0 到 1 之间。
    P(c∣x,y)∈[0,1]\displaystyle P(c \mid x,y) \in [0,1]
  3. argmax 取最大概率在候选类别里挑出概率最大、最有把握的那个类别，作为最终标签。
    arg⁡max⁡cP(c∣x,y)\displaystyle \arg\max_c P(c \mid x,y)

2. 三类分割流派

刘师傅剪纸有两种讲究：剪“红楼梦”要分清十二钗，剪“门神”要分出左右。计算机里的分割问题也分成三个流派：语义分割、实例分割和全景分割。

语义分割只管“类别”：把图片里所有桌子归为“桌子”，所有人物归为“人物”，不关心谁是张三是李四；实例分割更进一步，连“同是桌子的两张桌子”也要区分开，分出桌子 A 和桌子 B；全景分割则是“全家福”，它把图像里每个像素要么归到一个具体物体（things），要么归到背景材质（stuff），两类全覆盖。

用公式表达三种映射关系：

对背景移除来说，最常见的是实例分割的需求：要把图里的“这个人”单独拎出来，而不是把所有人都一起保留。所以很多抠图模型输出的其实是一张“谁是目标主体”的掩码。

语义：f(x,y)↦c;实例：f(x,y)↦(c,k);全景：f(x,y)↦(thingk,stuffj)\text{语义：} f(x,y) \mapsto c;\quad \text{实例：} f(x,y) \mapsto (c,k);\quad \text{全景：} f(x,y) \mapsto (\text{thing}_k, \text{stuff}_j)
  1. 语义映射 f→c语义分割把每个像素映射到一个类别标签，比如“猫”或“人”。
    f(x,y)↦c\displaystyle f(x,y) \mapsto c
  2. 实例映射 (c,k)实例分割返回“类别 + 编号”，同类别的不同对象用编号区分。
    f(x,y)↦(c,k)\displaystyle f(x,y) \mapsto (c,k)
  3. 全景映射 thing/stuff全景分割同时输出物体（thing）与材质（stuff）的统一标签。
    f(x,y)↦(thingk,stuffj)\displaystyle f(x,y) \mapsto (\text{thing}_k, \text{stuff}_j)

3. 掩码透明机制

剪窗花的案板上最重要的，除了剪刀，就是一张刻好的纸样。纸样哪里空、哪里实，决定了最终窗花的镂空图案。AI 的“纸样”就是掩码（mask）。

掩码是一张跟原图一样大的黑白图：白色（值 1）表示要保留的前景，黑色（值 0）表示要去掉的背景。当我们需要把主体放到任意新背景上时，还会引入 Alpha 通道——它不只记录“是否保留”，还记录“保留多少”，也就是半透明。这样抠出来的物体叠在任何底图上，边缘的碎发也不会变成一条生硬的锯齿线。

最终合成的公式是前景与背景的加权混合：

这就像刘师傅把纸样盖在红纸上，用喷漆描一遍——纸样镂空处是主体，不透处是背景，如果中间有薄纱一样的半透明区域，Alpha 会告诉喷枪“这里喷半层”。

Iout(x,y)=α(x,y)⋅Ifg(x,y)+(1−α(x,y))⋅B(x,y)I_{\text{out}}(x,y) = \alpha(x,y)\cdot I_{\text{fg}}(x,y) + (1-\alpha(x,y))\cdot B(x,y)
  1. 不透明度 α(x,y)该像素的不透明度，对应掩码中的灰度值，0 为全透明，1 为不透明。
    α(x,y)∈[0,1]\displaystyle \alpha(x,y) \in [0,1]
  2. 前景颜色 I_fg从原始图像中保留的主体的颜色。
    Ifg(x,y)=主体像素颜色\displaystyle I_{\text{fg}}(x,y) = \text{主体像素颜色}
  3. 背景颜色 B(x,y)新背景在当前像素位置的颜色，透明 PNG 中“棋盘格”部分不参与混合。
    B(x,y)=背景像素颜色\displaystyle B(x,y) = \text{背景像素颜色}

4. 传统工具痛点

在 AI 出现之前，刘师傅的“剪刀”就是 Photoshop 里的钢笔工具、魔棒和通道。每一位设计师都经历过“一笔一笔抠图”的噩梦。

魔棒适合背景单一的图片，比如白底产品图，但它对颜色相近的边缘毫无办法；钢笔工具可以精确画出硬轮廓，却很难处理头发丝；通道抠图需要在红绿蓝三个通道中反复尝试，非常考验耐心。最关键的是，这些方法都是“一次性劳动”：一百张产品图就要重复一百个十分钟，中间还不能分心。用边缘检测的数学表达是：

传统方法就好比刻纸时要一刀一刀描线，印子深浅全靠手劲。遇到发丝这种极细的刻痕，老花眼也得凑近看很久。AI 之所以登场，不是因为它更省力，而是因为它终于有了“看懂轮廓”的眼睛。

E(x,y)=∣∇I(x,y)∣=(∂I∂x)2+(∂I∂y)2E(x,y) = \displaystyle \lvert \nabla I(x,y) \rvert = \sqrt{\left(\frac{\partial I}{\partial x}\right)^2 + \left(\frac{\partial I}{\partial y}\right)^2}
  1. 梯度 ∇I\(I\) 是图像亮度，梯度表示像素在某个方向上的变化强度，变化越剧烈越可能是边缘。
    ∇I(x,y)=(∂I∂x,∂I∂y)\displaystyle \nabla I(x,y) = \left( \frac{\partial I}{\partial x}, \frac{\partial I}{\partial y} \right)
  2. 边缘强度 E(x,y)梯度幅度越大，说明这里越可能是物体边缘。
    E(x,y)=Gx2+Gy2\displaystyle E(x,y) = \sqrt{G_x^2 + G_y^2}
  3. 阈值判断设定阈值 \(\tau\)，大于阈值的像素判为边缘，小于阈值的当背景。这个方法对复杂纹理容易误判。
    E(x,y)>τ⇒边缘\displaystyle E(x,y) > \tau \Rightarrow \text{边缘}

5. AI 模型原理

AI 的“眼睛”是一套深度神经网络。我们用千万张“已经标注好人物和背景”的图片训练它，让它逐渐形成对“什么是主体”的感觉。训练完成后，输入一张新图，模型只输出一张概率图（saliency map），每个像素对应一个 0 到 1 之间的“属于前景”的分数。

目前最常用的抠图骨干网络之一是 U²-Net，它是一种编码器-解码器架构，能把图片先压缩再还原，利用多尺度特征同时捕获“整体轮廓”和“局部发丝”。另一个非常有名的模型是 Meta 的 SAM（Segment Anything Model），只要点一个点或框一个区域，就能返回该目标的掩码。

模型推理的输出可以写为：

训练时，模型通过交叉熵损失不断修正预测：

刘师傅带徒弟，也会让徒弟先临摹几百张窗花线稿；AI 的“临摹”则是让成千上万张图片在神经网络里来回“过电”，最后形成一套比手工几十年更快、更稳的下刀直觉。

M=σ(U2-Net(I))M = \displaystyle \sigma\left(U^2\text{-Net}(I)\right)
L=−∑i[yilog⁡y^i+(1−yi)log⁡(1−y^i)]\displaystyle L = -\sum_{i} \left[ y_i \log \hat{y}_i + (1-y_i)\log(1-\hat{y}_i) \right]
  1. U²-Net(I)将图像输入 U²-Net 网络，得到每个像素未归一化的得分图。
    U2-Net(I)∈RH×W\displaystyle U^2\text{-Net}(I) \in \mathbb{R}^{H \times W}
  2. Sigmoid 激活 σ把得分压到 0~1，变成“前景概率”，接近 1 表示越像前景。
    σ(z)=11+e−z\displaystyle \sigma(z) = \frac{1}{1+e^{-z}}
  3. 交叉熵损失\(y_i\) 是标注的真实值（1 前景、0 背景），\(\hat{y}_i\) 是模型预测的概率，两者差距越小，损失越小。
    L=−∑i[yilog⁡y^i+(1−yi)log⁡(1−y^i)]\displaystyle L = -\sum_{i} [y_i\log \hat{y}_i + (1-y_i)\log(1-\hat{y}_i)]

6. 实战工具用法

现在你不需要自己训练模型。把“刘师傅的手艺”打包成工具，最常用的是开源库 rembg——它内置了 U²-Net 模型，一行代码就能完成抠图。

Python 中调用 rembg 的基本流程是：读入图片原始字节，remove() 去掉背景，输出透明 PNG。这种方法天然适合批量处理：100 张商品图，循环调用 100 次即可。如果你不想写代码，也可以用 remove.bg、Canva 等在线工具，本质都是把同一个模型部署在云端。

批量处理的时间估算可以写成公式：

这就像刘师傅开张营业前要先把磨刀石摆好、把纸样压平，之后的每一刀就越来越快了。模型第一次加载最慢，之后批量图片一张接一张，速度立刻上来。

Ttotal=N×tsingle+tsetupT_{\text{total}} = \displaystyle N \times t_{\text{single}} + t_{\text{setup}}
  1. N 图片数量需要去背景的图片总张数。
    N=图片数量\displaystyle N = \text{图片数量}
  2. 单张耗时 t_singleAI 对一张图片推理并输出的平均时间，通常在零点几秒到几秒之间。
    tsingle≈0.3s∼3s\displaystyle t_{\text{single}} \approx 0.3\text{s} \sim 3\text{s}
  3. 初始化耗时 t_setup加载模型、启动计算资源的固定开销。
    tsetup≈1s∼10s\displaystyle t_{\text{setup}} \approx 1\text{s} \sim 10\text{s}

7. 痛点优化技巧

即便有 AI，也不是所有图都能一次完美。最典型的是发丝和透明物体。刘师傅最怕剪碎发，AI 最怕的也是那些“边缘像素到底属于人还是背景”的暧昧地带。

针对这类问题，业界用“抠像”（matting）技术解决。抠像把图片建模为前景、背景与不透明度三者的合成：

实际工具中还会加入“边缘羽化”：对掩码做轻微模糊，让边缘像素的 \(\alpha\) 从 1 平滑降到 0。头发越多、裙摆越薄，羽化半径越要克制，避免整体糊成一片。透明水杯则要用 trimap 先圈定“确定前景、确定背景、不确定区域”，再让模型只处理不确定区。

这些技巧就像刘师傅对付特细的窗花刻痕——先用粗剪走大形，再用小刀修边线，最后在灯光下看透光处有没有多余的纸屑。后处理永远是为了让结果更贴近真实。

I(x,y)=α(x,y)⋅F(x,y)+(1−α(x,y))⋅B(x,y)I(x,y) = \displaystyle \alpha(x,y) \cdot F(x,y) + (1-\alpha(x,y)) \cdot B(x,y)
  1. 前景色 F(x,y)主体像素的原始颜色。
    F(x,y)=前景颜色\displaystyle F(x,y) = \text{前景颜色}
  2. 背景色 B(x,y)被去除的背景颜色。
    B(x,y)=背景颜色\displaystyle B(x,y) = \text{背景颜色}
  3. 反推 α已知 I、F、B 时，可以反解出该像素的不透明度，这就是抠像模型的核心。
    α(x,y)=I(x,y)−B(x,y)F(x,y)−B(x,y)\displaystyle \alpha(x,y) = \frac{I(x,y)-B(x,y)}{F(x,y)-B(x,y)}

8. 实际应用场景

窗花剪好了，下一步是贴到窗上——背景移除真正的价值不在于“那一张图”，而在于把同一条剪刀流水线复制到千百次业务中。

电商店铺里，商品图要白底 800×800，运营每天处理几十上百张产品图；证件照摄影店每天要换红底、白底、蓝底；短视频创作者需要把人抠出来放到虚拟背景上；设计师做合成图时，也总是先抠素材再拼贴。这些场景全都指向同一个基础动作：背景移除。

节省效果的量化是：

刘师傅一个人手剪窗花，一年也剪不完全村的门窗；AI 这把“数字剪刀”，几条指令就能让千万张图片同时完成背景分离。这就是背景移除从手艺变工业的底层逻辑。

S=(1−TAITmanual)×100%S = \displaystyle \left(1 - \frac{T_{\text{AI}}}{T_{\text{manual}}}\right) \times 100\%
  1. 手工时间 T_manual用传统方法处理一张图的耗时，通常 5 到 30 分钟。
    Tmanual∈[5,30] min\displaystyle T_{\text{manual}} \in [5, 30] \text{ min}
  2. AI 时间 T_AIAI 工具处理一张图的时间，通常几秒。
    TAI≈1s∼10s\displaystyle T_{\text{AI}} \approx 1\text{s} \sim 10\text{s}
  3. 节省率 SS 越接近 100%，说明工作效率提升越明显。
    S≈99%，约等于从小时级降到秒级\displaystyle S \approx 99\% \text{，约等于从小时级降到秒级}

AI 应用场景

电商白底图批量处理

阶段：图像预处理与批量推理

解决的问题：传统电商美工用 PS 钢笔工具逐张抠图，一张高精度的白底图需要 10~30 分钟；AI 用 rembg 库批量处理，同一批 100 张图只需几分钟。原本每天埋头抠图的运营可以把时间拿去做详情页策划。

具体案例：某淘宝店主有 200 款商品图，背景是桌子、地板、柜子，参差不齐。他用 Python 脚本循环调用 remove()，一晚生成全部透明底图片，再统一铺白底，第二天直接上架。

证件照快速换底

阶段：人像分割与后处理着色

解决的问题：过去证件照换底要用快速选择工具圈人像，发丝边缘很容易穿帮。现在 AI 先输出人像掩码，再把背景填充成红、白、蓝任意底色，几秒完成。

具体案例：社区照相馆每天接几十个“换底色”的活儿，过去一个客人等十分钟，现在用开源的 rembg 或在线工具，客人扫码上传、三秒拿到电子版。

短视频与直播抠像

阶段：实时视频分割与背景替换

解决的问题：绿幕直播需要架绿布、调灯光，成本高；AI 视频分割模型支持无绿幕实时抠像，主播站在客厅就能被“搬”进任何虚拟背景。这个场景用的是比抠图更强的实时分割模型，但底层思路一致：为每个像素判断前景或背景。

具体案例：知识博主在出租屋里录课，先用 AI 抠掉杂乱背景，再配上“教室”“黑板”等背景图，视频质感立刻专业起来。

Python 演示

python17 行
from rembg import removefrom PIL import Image  def cutout_bg(src_path, dst_path):    """一键去除背景，输出透明 PNG。"""    with open(src_path, "rb") as f:        src_bytes = f.read()    out_bytes = remove(src_bytes)    with open(dst_path, "wb") as f:        f.write(out_bytes)  if __name__ == "__main__":    cutout_bg("photo.jpg", "photo_nobg.png")    result = Image.open("photo_nobg.png")    print("抠图完成！尺寸:", result.size, "模式:", result.mode)
目的：把本地一张普通照片变成透明背景 PNG，保存到新文件，并打印输出图片的尺寸和颜色模式。
  1. from rembg import remove导入封装好的抠图函数，它内部自动加载 U²-Net 模型并执行推理。
  2. src_bytes = f.read()把图片读成字节流，这是模型需要的输入格式。
  3. out_bytes = remove(src_bytes)核心一行：执行 AI 推理，返回去除背景后的透明 PNG 字节流。
  4. Image.open("photo_nobg.png")用 PIL 重新打开输出文件，验证抠图结果是否成功。
  5. result.mode打印出的 RGBA 模式说明图片已包含 Alpha 通道，也就是我们需要的透明信息。

常见误区

误区我一直以为 AI 抠图只能把人从背景里抠出来，其他物体它都不认识。试了几次抠商品图失败，就怀疑是工具不好用。

正解大部分抠图模型做的其实是显著性目标分割，也就是找出图片里“最显眼的主体”。人可以，猫狗、汽车、水杯、植物也都可以。失败常常是因为背景复杂、主体太小或前景背景颜色太接近，而不是“只能抠人”。

为何常见：日常宣传图基本都是人物抠图，产品图又常常用纯白背景，导致大家形成了“AI 只能认人”的错觉。

误区我保存了一张白底 PNG，以为这就是透明底，结果放到深色网页上一看，多了一块白方块。

正解透明不是“填成白色”，而是通过 Alpha 通道记录“不透明度”。白色是像素实际颜色，会遮蔽下面的内容；透明底则让下方背景透出来。判断方法很简单：看图片的颜色模式是不是 RGBA，或者在 PS 里打开看棋盘格。

为何常见：白色背景在白底预览图上确实“看不出来”，只有放到其他颜色背景上才会暴露，所以很多人从来没意识到自己一直用的是白底图。

误区我以为所有图丢进 AI 工具都能直接出完美结果，发丝、婚纱、玻璃杯都能一次搞定。

正解AI 在主体清晰、背景简单的图上确实接近完美，但遇到透明物体、乱发、动物毛发和运动模糊时，仍需要边缘羽化、trimap 辅助等后处理。复杂场景中“一次出片”是小概率事件，优化才是常态。

为何常见：营销视频里展示的都是最简单、最成功的案例，工具商不会把失败的边缘案例摆给你看。

误区我觉得 AI 抠图必须要有 NVIDIA 显卡，自己电脑没 GPU，所以一直不敢碰本地工具。

正解像 rembg 内置的 U²-Net 这种轻量模型，纯 CPU 也能运行，只是单张图会从 0.5 秒变成几秒，可接受范围。手机端和在线工具则把模型部署到了云端 GPU，你上传图片只是在用它的算力。

为何常见：深度学习新闻天天提 GPU 训练大模型，让人误以为“凡 AI 必吃显卡”，忽略了推理阶段模型可以很小、很便宜。

误区我以为抠出来的图边缘应该像刀切一样干净利落，有一点点半透明反而说明质量差。

正解真正的优质抠图恰恰靠半透明 Alpha 过渡：头发的细丝、薄纱的褶皱、玻璃的反光，都需要像素级的不透明度渐变。硬边只适用于实心物体，遇到纱裙和烟雾，硬切只会让画面假得一目了然。

为何常见：人眼对“清晰边缘”有天然偏好，加上低质量工具输出的硬边结果最常见，就容易把“清晰的”错当成“正确的”。

面试题

Q1. AI 背景移除中，掩码（Mask）里白色像素通常代表什么？

单选题 · easy

  • A.背景区域
  • B.前景区域← 正确答案
  • C.模糊区域
  • D.阴影区域

答案：B。掩码就像剪纸的纸样：白色代表要保留的前景主体，黑色代表要去掉的背景。模糊和阴影都不是掩码的功能，它们是图像里的光照或像素属性。

Q2. Alpha 通道值为 0 的像素表示什么？

单选题 · easy

  • A.完全不透明
  • B.完全透明← 正确答案
  • C.边缘半透明
  • D.白色混合

答案：B。Alpha 通道记录不透明度，取值为 0 表示完全透明，255（或归一化 1）表示完全不透明。半透明则是中间值，所以 A 和 C 都不对。

Q3. 以下哪些属于图像分割的主要类型？

多选题 · mid

  • A.语义分割← 正确答案
  • B.实例分割← 正确答案
  • C.超分分割
  • D.全景分割← 正确答案

答案：ABD。语义、实例、全景是三种主流分割流派：语义只分类别，实例区分个体，全景同时处理物体和材质。“超分分割”不存在，超分辨率是图像放大增强技术，不属于分割。

Q4. U²-Net 模型最核心的网络结构是什么？

单选题 · easy

  • A.编码器解码器← 正确答案
  • B.纯全连接网络
  • C.循环神经网络
  • D.生成对抗网络

答案：A。U²-Net 是编码器-解码器结构，先压缩图像提取特征，再逐步还原到原尺寸输出掩码。全连接、循环、对抗网络都不是它的基本结构特点。

Q5. 使用 rembg 库去除背景时，调用的核心函数是哪一个？

单选题 · mid

  • A.智能分割函数
  • B.背景移除函数← 正确答案
  • C.快速裁剪函数
  • D.自动提取函数

答案：B。rembg 对外暴露的核心 API 是 remove()，接收图片字节流，返回去除背景后的字节流。其他名称虽然读起来像那么回事，但并不是 rembg 提供的接口。

Q6. 传统“魔棒”工具处理复杂图片时的局限有哪些？

多选题 · mid

  • A.颜色相似易误选← 正确答案
  • B.发丝细节难处理← 正确答案
  • C.抗干扰能力极强
  • D.需要人工反复调整← 正确答案

答案：ABD。魔棒按颜色相似度选区，背景色和前景色接近时会误选；发丝不是单色块，根本无法一次选准，所以需要反复调整。C 说“抗干扰极强”与实际相反。

Q7. 抠图公式 \(I = \alpha F + (1-\alpha)B\) 中，\(\alpha\) 表示什么？

单选题 · hard

  • A.图像亮度值
  • B.像素不透明度← 正确答案
  • C.色彩饱和度值
  • D.相机焦距参数

答案：B。\(\alpha\)（Alpha）是该像素的不透明度：为 1 表示完全属于前景，为 0 表示完全属于背景，0 到 1 之间表示半透明，例如纱裙、玻璃杯边缘。

Q8. SAM（Segment Anything Model）最典型的交互方式是什么？

单选题 · hard

  • A.通用图像分类器
  • B.分割任意大模型← 正确答案
  • C.文本翻译生成器
  • D.语音识别专用模型

答案：B。SAM 的中文名就是“分割任意模型”，它支持通过点选、框选等提示（prompt）分割任意目标，而不是做分类、翻译或语音识别，因此其他选项都是干扰项。

Q9. 处理发丝等细碎边缘时，常用优化手段有哪些？

多选题 · hard

  • A.采用边缘羽化← 正确答案
  • B.采用Trimap引导← 正确答案
  • C.整体放大边缘
  • D.降低图像分辨率

答案：AB。边缘羽化能让 Alpha 从不透明平滑过渡到透明，减少锯齿；Trimap 把图片分成确定前景、确定背景、不确定区域，引导模型专注处理发丝地带。放大或降分辨率并不能改善边缘质量。

Q10. 手机上的 AI 抠图工具为什么能运行得很快？

单选题 · mid

  • A.手机算力足够强
  • B.云端服务器推理← 正确答案
  • C.本地模型零字节
  • D.蓝牙外接算力够

答案：B。大部分手机端去背景工具只负责上传和展示，真正的模型推理在云端 GPU 完成，返回结果后手机再显示。本地零字节模型和蓝牙外接算力都不符合实际工程实现。