AI 图像分割 vs 传统抠图：技术原理、优劣势与未来趋势
什么是图像分割？
图像分割（Image Segmentation）是将图像中的每个像素分类为「前景」或「背景」的任务。抠图本质上就是一个二值分割问题。
传统方法（2015 年以前）
魔术棒（Magic Wand）
点击一个颜色，选中所有相似颜色的连通区域。适合纯色背景，但对渐变背景和多色主体束手无策。
套索工具（Lasso）
手动勾画轮廓。精度完全取决于操作者的手速和耐心。
GrabCut（2004）
用户画一个矩形框住前景，算法通过图割（Graph Cut）迭代优化分割。比魔术棒智能得多，但复杂场景仍需大量手动修正。
通道抠图
利用颜色通道的亮度差异创建蒙版。对发丝等半透明边缘效果最好，但操作繁琐。
深度学习时代（2015-2020）
Fully Convolutional Network（FCN, 2015）
首个端到端的像素级分割网络，奠定了深度学习分割的基础。
U-Net（2015）
编码器-解码器架构 + 跳跃连接，成为医学图像和通用分割的标准架构。U²-Net 是其轻量化变体，本站本地引擎即采用此模型。
DeepLab v3+（2018）
空洞卷积 + ASPP 模块，在 PASCAL VOC 等基准上达到 SOTA。
大模型时代（2020-至今）
Vision Transformer（ViT, 2020）
将 Transformer 引入视觉领域，全局感受野带来更强的语义理解。
Segment Anything Model（SAM, 2023）
Meta 发布的可提示分割大模型，在 11 亿个掩码上训练。点击一下就能分割任意物体。本站的「智能精修」功能即基于 MobileSAM（SAM 的轻量化版本）。
Segment Anything Model 2（SAM 2, 2024）
支持视频分割，实时性能大幅提升。
AI vs 传统方法对比
| 传统（GrabCut/通道） | AI（U²-Net/SAM） | |
|---|---|---|
| 速度 | 秒级（需手动修正） | 秒级（自动） |
| 精度 | 取决于操作者技能 | 90%+ 场景一步到位 |
| 发丝边缘 | 通道法最好 | 接近通道法 |
| 学习成本 | 高 | 几乎为零 |
| 批量处理 | 不可行（逐张手动） | 天然支持 |
未来趋势
分割模型正朝着以下方向发展：
- 更快更小：MobileSAM 等轻量化模型可在手机浏览器中实时运行
- 更精细的边缘>：亚像素级分割、软边缘（soft boundary）
- 多模态理解：不仅分割物体，还理解物体是什么、应该怎么处理
- 端侧运行：WebGPU/WebAssembly 让复杂模型在浏览器本地运行成为可能
English Summary
From GrabCut to SAM: this article traces the evolution of image segmentation technology, comparing traditional methods (magic wand, lasso, channel masking) with deep learning approaches (U-Net, ViT, SAM). It explains why AI cutouts are now sufficient for 90%+ use cases and covers future trends including on-device inference.