Modelle zum Freistellen von Bildern (Background Removal) basieren meist auf Verfahren der Bildsegmentierung, bei denen ein Modell eine Maske für das Vordergrundobjekt erzeugt. Diese Maske trennt das relevante Objekt vom Hintergrund, sodass der Hintergrund entfernt oder ersetzt werden kann. Moderne Verfahren nutzen überwiegend Deep-Learning-basierte Segmentation Networks.
Zusätzlich existieren Foundation Models für Segmentierung, die ohne spezielle Trainingdaten auf viele Bildtypen generalisieren und teilweise interaktiv (z. B. mit Klicks oder Bounding-Boxes) gesteuert werden können.
Mehrere Open-Source-Modelle werden heute häufig für Background Removal eingesetzt:
U²‑Net – eines der bekanntesten Modelle für automatisches Freistellen; liefert gute Ergebnisse bei allgemeinen Objekten.
ISNet – Weiterentwicklung mit höherer Genauigkeit für allgemeine Bilder.
BiRefNet – modernes Modell für hochauflösende Segmentierung und präzisere Objektgrenzen.
Segment Anything Model (SAM) – ein universelles Segmentierungsmodell, das Objekte im Bild interaktiv oder automatisch segmentieren kann.
Ein großer Vorteil vieler aktueller Lösungen ist, dass sie lokal betrieben werden können. Dadurch lassen sich Background-Removal-Services vollständig on-premise oder in eigenen Cloud-Umgebungen betreiben, was insbesondere für Datenschutz- oder Produktionspipelines relevant ist.
Wait a few seconds for loading the gradio application!
Send us a note
Wanna use this model on your website ? Just write a note
