BiRefNet：把亭子花窗也留在蒙版里，细边抠图先选对权重

一座亭子的外轮廓不算难，真正麻烦的是花窗、栏杆和屋檐之间那些小空隙。若这些地方被一块白色蒙版填满，换背景时就会露馅。BiRefNet关注的高分辨率二分图像分割，值得用来理解这种“主体内部也要分清”的抠图任务。

官方仓库展示了一张亭子照片与黑白分割结果的动画：屋顶和桥栏被保留，花窗与柱间的许多空隙转成背景。它说明模型希望保留复杂结构，不只是框出一个矩形区域。该图是官方论文项目样例，不是本文运行，也不能代替你对每个镂空边缘的检查。

BiRefNet官方DIS样例。看点是花窗、栏杆与翘檐附近的前景和空隙关系。

模型先输出分离结果，再变成透明素材

官方模型卡的代码将图像缩放到1024×1024，预测后做sigmoid，得到蒙版，再调整回原图大小并写入alpha通道。因此，你能留下两种有用的中间产物：灰度蒙版本身，以及带透明通道的原图。前者便于在图像软件中局部补涂，后者可直接进入版面。

需要理解的是，回到原图大小只是尺寸变换，不能保证原始照片的每根发丝或每格花窗都被完整识别。若主体缺了一块，可以修蒙版；若透明边缘有旧背景色，问题又涉及前景颜色。分清这两层，比把所有瑕疵都归结为“精度不够”更容易继续处理。

BiRefNet是一个模型库，权重名称有实际含义

官方HF基础仓库说明，该权重为原论文的DIS任务训练，使用DIS-TR，并在相应测试集验证。GitHub后来增加了面向通用素材、人物、matting、HR与dynamic等不同权重。HR-matting的2048训练分辨率、dynamic的动态分辨率范围，不能直接套在最初的ZhengPeng7/BiRefNet上。

选择时先问你要的是清晰的前景区域，还是更细的半透明过渡。建筑、器物的复杂镂空与头发、薄纱的透明度不是同一种目标；需要matting时，应读对应权重的模型卡，而不是只凭“BiRefNet”这个家族名下结论。官方还列出框引导的分割示例，适合进一步限定目标范围，但它也有自己的工作流。

仓库与基础模型卡标注MIT；第三方基于它训练的BRIA等权重另有许可，不能因架构相同视为同一授权。官方提供可调分辨率的Space和Colab入口，也提供自建推理方法；模型卡说明，部署托管端点需要自己设置且可能有费用。本地路线要准备对应依赖与显存，性能表则有各自GPU和精度条件。

对素材制作而言，最值得保留的是“原图＋模型名＋蒙版”。这样换背景后发现亭子栏杆漏孔，仍能直接修这一层；不必把已经满意的照片重新生成一遍。