Feyn团队发布新开源背景去除模型FeyNoBg

近期的图像分割领域迎来了一项新的技术突破。Feyn 团队正式发布了全新的 SOTA (state-of-the-art) 背景去除模型 FeyNoBg，同时也在开源社区同步推出了对应的 NoBg 训练与推理库。这一举措的目标很明确：为开发者提供一套更轻量、更高效的图像分割解决方案。

优秀的背景去除算法，不仅要能精准识别前景主体，更要在边缘细节（如发丝、半透明纱巾等）的处理上做到天衣无缝。为了实现这一目标，开发团队基于开源的 BiRefNet 架构进行了深度优化。通过在关键特征提取阶段将模块从 18 扩展至 24 个，模型参数量从 222M 微增至 263M，同时保留了原有的预训练权重。这种 “加量不加价” 的做法，赋予了模型更强的学习能力和信息保留能力。

在训练策略上，团队打破了单一数据集的局限性。他们收集并清洗了 10 个数据集，涵盖复杂场景、高分辨率图像、伪装物体以及动漫内容，共计 26100 张图片进行多源混合训练。经过精心调整的数据比例和统一的二值掩码转换后，该模型在多个权威基准测试中表现优异。数据显示，FeyNoBg 在 8 个主流基准测试中，有 4 项获得了最好的 S-measure 分数，其余测试中表现也与领先者咬得很紧，几乎持平。

为了便于开发者应用，团队还开源了底层的 Python 库 NoBg。实际测试表明，在批量处理模式下，与原始 BiRefNet 相比，该库实现了更高的吞吐量、更低的延迟和更小的内存占用。客观来看，这种将科研模型落地为工程化工具的思路，降低了技术门槛，使得更多普通开发者也能轻松调用顶尖算法。目前，用户可以通过 FeyNoBg on Hugging Face 获取模型，也可以在 GitHub 上进行深入探索。