图像抠图算法致力于求出给定图像的alpha掩膜,进而提取出图像的前景部分,来实现背景替换等操作。这一技术已经在影视剪辑,图像后期等产业广泛使用。同时,图像抠图算法应用在很多计算机视觉相关任务的数据预处理流程中,如去雾、去雨等,也受到了学术界的广泛关注。尽管借助深度学习技术,近年来的图像抠图算法效果得到了很大的提升,但图像抠图算法中存在的一个缺陷一直没有得到成功解决,那就是需要额外先验知识来辅助算法进行抠图。由于根据输入图像求解alpha掩膜在数学上是一个欠约束问题,传统图像抠图算法都需要用户指定部分区域,告诉抠图算法这些区域是前景、背景区域;基于深度学习的图像抠图算法尝试用分割网络来预测三分图,但预测出的三分图往往过于粗糙,存在很多错误,导致预测出错误的alpha掩膜。本文从另一个完全不同的角度尝试解决这一问题。给定一张人脸图像,我们不去直接预测其对应的三分图,而是微弱的对输入图像进行改动增强,使得增强后的图像能更容易的被现有的分割模型和抠图模型提取相关特征,自监督的修复三分图中的错误,并提升预测的alpha掩膜准确度。该方法是通过探索生成对抗网络生成器的隐空间实现的。隐空间已经被证实可以找到可解释方向,对应图像的高维语义信息,我们进一步在图像抠图领域探索这一特性。我们将输入的人脸图像映射到生成器的隐空间中,我们的目标是在隐空间中寻找到一个更好的隐空间向量,使得对应的图像与现有的分割模型,抠图模型更兼容,我们提出了四个损失函数,来在隐空间中寻找该隐空间向量。同时,我们提出了一种简单且有效的方法来在训练阶段提升抠图网络的训练效果,该方法通过在训练时激活抠图网络编码器特征图中合适的神经元,来让网络得到更好的训练。我们在训练阶段将这个激活图逐渐从真实alpha掩膜过度到伪alpha掩膜,测试阶段使用粗糙的alpha掩膜作为激活图进行迭代测试,来进一步提升抠图模型的性能。我们通过实验证明了我们提出的方法,能增强给定的人脸图像,使得在不改变原抠图模型参数的前提下,获得更准确的三分图,进而获得更准确的alpha掩膜。同时,我们利用了Style GAN强大的生成能力,生成了一个新的抠图数据集来微调现有的抠图模型,提升现有模型的性能。通过我们提出的特征激活机制,重新训练的抠图模型达到了目前最好的效果。