告别发丝级抠图难题：FeyNoBg 开源模型重新定义背景移除

在计算机视觉领域，“抠图”（背景移除）看似是个基础操作，但要做到完美却绝非易事。尤其是面对飞扬的发丝、半透明的薄纱或是复杂的边缘细节时，许多模型都会“翻车”。近日，Feyn 团队带来了一个令人兴奋的解决方案——全新 SOTA 级背景移除开源模型 FeyNoBg，并同步开源了配套的 NoBg 训练与推理库，为开发者送上了一份轻便且高效的图像分割利器。

架构微调，释放更强特征提取力

优秀的背景移除算法，核心在于对前景的精准识别和对边缘细节的极致把控。Feyn 团队并没有选择从零开始，而是站在了巨人的肩膀上——以开源的 BiRefNet 架构为基础进行了深度优化。

他们将模型关键特征提取阶段的模块从 18 块扩展到了 24 块。这一改动使得模型参数量从 222M 微增至 263M。虽然参数略有增加，但团队完整保留了原有的预训练权重。这种策略不仅赋予了模型更强大的学习和信息保持能力，还确保了其在处理复杂边缘时更加游刃有余。

2.6万张多源数据“喂养”，打破单一场景局限

在训练策略上，Feyn 团队深知单一数据集容易让模型产生“偏科”现象。为此，他们精心收集并清洗了 10 个不同类型的数据集，涵盖了复杂场景、高分辨率图像、伪装物体以及动漫风格等，总计 2.61 万张图像。

通过多源混合训练、严谨的数据配比调整以及统一的二值掩码转换，FeyNoBg 练就了一身“硬功夫”。在多项权威基准测试中，该模型交出了一份极为亮眼的答卷：在八大主流基准测试中，FeyNoBg 在四个测试中斩获了最佳的 S-measure 评分，而在其余测试中也紧咬榜首，整体性能表现堪称顶尖。

配套 NoBg 库：更低延迟，更小显存

对于开发者而言，模型精度高是一方面，能否轻松落地则是另一方面。为了让 FeyNoBg 真正走向生产环境，团队一并开源了底层的 Python 库 NoBg。

实测数据证明，在批处理模式下，NoBg 库相较于原始的 BiRefNet 实现了全面的性能飞跃：不仅吞吐量更高、延迟更低，显存占用也得到了显著优化。这意味着开发者可以在更有限的硬件资源下，跑出更快的抠图速度。

如何获取？

目前，FeyNoBg 模型及其配套代码已全面开放。开发者可以通过 Hugging Face 搜索“FeyNoBg”直接获取模型权重，或者前往 GitHub 深入探索 NoBg 库的源码与使用文档。如果你正在寻找一个兼具高精度与高效率的背景移除方案，FeyNoBg 绝对值得加入你的工具箱。