αDepth：單次軟邊界分解用於立體轉換

研究論文提出αDepth，一種用於立體轉換的分層表示方法。在立體轉換中，精確建模軟邊界（例如頭髮和散焦模糊）是一個基本挑戰，因為前景和背景的混合模糊。現有的深度模型主要預測單層深度，導致在軟邊界處的深度對應不一致。雖然遮罩技術可以捕捉透明度進行分層建模，但它在多目標複雜場景中往往掙扎，且通常需要用戶干預。論文介紹的αDepth通過估計軟邊界的分層顏色和深度值來解決混合顏色和深度模糊。針對複雜多目標場景，研究設計了圓形Alpha表示（CAR），將範式從全局目標提取轉變為局部邊界分解。與先前限制於單一前景/背景的遮罩方法不同，CAR能夠在無需手動指導的情況下進行高效的場景級推理。廣泛的評估表明，αDepth在立體轉換中達到先進性能，消除了軟邊界處的背景滲透和結構失真，為高保真立體轉換提供了新途徑。