Feyn Labs近日正式发布了一款全新的SOTA（顶尖）背景移除模型——FeyNoBg，并在开源社区同步公开了其配套的训练与推理库NoBg。
优秀的背景移除算法，不仅要能准确识别前景主体，更要能完美处理毛发、半透明薄纱等边缘细节。FeyNoBg的出现，正是为了解决这一长期存在的技术痛点。它在八个权威基准测试中的四项上取得了最佳S-measure分数，其余四项与领先者的差距也控制在2%以内。
技术破局：在BiRefNet上“做加法”
FeyNoBg基于开源的BiRefNet架构进行了深度优化。团队将特征提取器第三阶段的模块从18个扩展至24个，使模型参数量从2.22亿（222M）略增至2.63亿（263M）。这一调整在完整保留原有预训练权重的同时，赋予了模型更强的特征学习与信息保持能力。
训练策略上，团队突破了单一数据集的局限，收集并清洗了涵盖复杂场景、高分辨率图像、伪装物体及动漫等在内的10个数据集、共计2.61万张图像进行多源混合训练。经过严谨的数据配比调整和统一的二值掩码转换，模型在多项权威基准测试中表现出色。
性能实测：八项基准四项SOTA
在涵盖伪装、低对比度、精细结构、高分辨率和视频等多种挑战的八大主流基准测试中，FeyNoBg交出了一份亮眼的成绩单：
四项最佳：在八个基准测试中的四个上创下了最佳S-measure评分，达到SOTA水平。
四项紧追：在其余四项测试中，与榜首的差距也控制在2%以内，性能几乎不相上下。
这意味着FeyNoBg在处理复杂的背景移除任务时，已经具备了与当前市面上顶尖模型一较高下的实力。
开源生态：模型与训练库双开放
为了让开发者能够更便捷地将模型落地应用，Feyn Labs同步开源了底层Python库NoBg。
轻量高效：实测表明，在批处理模式下，NoBg库相较于原始BiRefNet实现了更高的吞吐量、更低的延迟以及更小的显存占用。
开箱即用：用户可以通过Hugging Face直接获取模型，或通过GitHub深入探索源码。模型参数规模为0.3B，支持1024×1024分辨率，专为图像与视频抠图设计。
快速上手示例：
import torch
from loadimg import load_img
from nobg import AutoModel, AutoProcessor
model = AutoModel.from_pretrained("feyninc/FeyNobg").eval()
processor = AutoProcessor.from_pretrained("feyninc/FeyNobg")
image = load_img("input.jpg").convert("RGB")
inputs = processor(image, return_tensors="pt")
with torch.no_grad():
outputs = model(pixel_values=inputs["pixel_values"])
alpha = processor.post_process_alpha_matting(
outputs, target_sizes=[(image.height, image.width)]
)[0]
processor.cutout(image, alpha).save("output.png")应用前景：从电商到影视的全场景覆盖
FeyNoBg的开源，意味着开发者可以在电商产品抠图、人像精修、影视后期、游戏素材制作等多个场景中，免费获得接近商业级品质的背景移除能力。其出色的边缘细节处理能力，尤其适合对发丝、半透明物体等精细前景有高要求的场景。
目前，用户可以通过Hugging Face Space在线体验，或直接安装nobg库将其集成到自己的项目中。当抠图这件事从“专业修图师的工作”变成“十行Python代码”，内容创作的下一波效率革命，可能正从这些看似微小的基础能力开始。
