Como Funciona a Remoção de Fundo de Vídeo: Segmentação, Máscaras e Composição Alfa

O Que um Removedor de Fundo de Vídeo Calcula

Um removedor de fundo de vídeo toma uma decisão por pixel: quais partes de cada quadro são objeto e quais são fundo. Essa decisão é uma máscara. Com ela pronta, o fundo pode ser trocado por uma cor ou imagem, desfocado ou descartado de vez, sem tocar no objeto.

A Segmentação Semântica Rotula Cada Pixel

Segmentação semântica é a atribuição de um rótulo de classe a cada pixel de uma imagem. O modelo devolve uma segunda imagem do tamanho do quadro, em que cada pixel guarda uma previsão em vez de uma cor. A resolução de saída e o número de classes são o que diferenciam um modelo do outro.

Modelos de uso geral rotulam rua, céu, carro, pessoa e prédio; a segmentação de instâncias separa objetos dentro de uma classe, então duas pessoas viram duas regiões. A segmentação de selfie não faz nenhuma das duas coisas.

Um modelo leve de selfie, como o MediaPipe selfie segmentation do Google, tem duas classes e um mapa de confiança por quadro com valores de 0 a 1 por pixel, lido bem abaixo da resolução do seu vídeo e ampliado de volta. Essa ampliação limita a borda mais fina que uma máscara consegue descrever, e é o que garante a velocidade para rodar em um celular.

A Composição Alfa Monta o Quadro

Composição alfa é o processo de combinar uma imagem de primeiro plano com uma de fundo usando um valor de transparência por pixel. O alfa registra o quanto cada pixel é opaco, então o objeto fica sobre qualquer fundo em vez de recortado contra um só. A operação "over" é uma média ponderada:

resultado = (primeiro_plano x alfa) + (fundo x (1 - alfa))

O mapa de confiança vira esse canal alfa: 1 é objeto puro, 0 é fundo puro e, entre os dois, as camadas se misturam proporcionalmente, o que faz o cabelo e o desfoque de movimento parecerem presos ao objeto. Achatada em 0 e 1, a máscara corta como tesoura, e remoção, troca e desfoque viram a mesma operação com uma segunda camada diferente.

Chroma Key e Segmentação São Diferentes

Um chroma key recorta pela distância de cor em relação a um tom de referência. A segmentação deduz a classe semântica a partir de características aprendidas, e é por isso que funciona sem tela verde em qualquer ambiente.

Onde a Segmentação Falha

• Cabelo finoMais fino que um pixel do mapa interno.
• Desfoque de movimentoParte objeto, parte fundo; não existe classe para "metade".
• Hastes de óculos, pedestais de microfoneAbaixo da resolução do modelo.
• Uma mão no rostoPele sobre pele, sem pista de limite.
• Pouco contrasteSem descontinuidade, a confiança fica perto de 0,5.
• Uma segunda pessoaTreinado para um único objeto; os extras não são detectados.
• Bordas cintilandoO quadro 400 é inferido sem saber nada do 399, então pixels no limite trocam de lado; suavizar troca a cintilação por atraso.

Onde o Modelo Roda

Um modelo pode rodar no navegador, compilado para WebAssembly, ou em um servidor com GPU. O bgremover.ai roda o modelo em nossos servidores com GPU e deixa o resto no navegador: o vídeo é redimensionado e enviado em segmentos curtos para que a inferência aconteça junto com o envio, e a composição e a recodificação acontecem na aba.

Toda ferramenta que roda no servidor guarda seu vídeo por um tempo: o remove.bg descarta os envios após 60 minutos e oferece uma opção para ceder sua imagem ao treinamento do modelo, e o bgremover.ai não armazena envios nem máscaras. O processamento no cliente evita o envio por completo; quem paga a conta é o seu hardware.

A política de privacidade documenta o que guardamos; a página de compatibilidade de navegadores explica o que uma ferramenta no cliente precisa de um dispositivo.

Prós e Contras dos Modelos: MediaPipe, MODNet, BEN2

O MediaPipe serve para processamento no dispositivo porque roda em um celular. Em uma GPU potente, com vídeo em que o cabelo é crítico, um modelo mais pesado vence. O bgremover.ai roda o modelo em servidores com GPU, e não no seu dispositivo.

Onde a Nossa Implementação Para

Não sai canal alfa: a exportação é MP4 (WebM nos navegadores que não gravam MP4), com um fundo substituto ou uma tela verde para você fazer o chroma key. Cabelo fino é a nossa borda mais fraca, sem ranking porque ranquear sem medir é chute. Os vídeos têm limite de 5 minutos e são redimensionados para 1280 pixels no lado maior, e em horários de pico um trabalho pode esperar um pouco por uma GPU livre.

Perguntas Frequentes