點一下按鈕，一秒鐘後照片的背景就沒了，取而代之的是一片乾淨的透明棋盤格。感覺像變魔術，但其實沒有魔術——而且在 IMG.DIY 上，也沒有伺服器在替你幹活。下面就講講從點選到去背之間，究竟發生了什麼。
真正要做的事：判斷哪些畫素是"主體"
摳背景本質上是個"打標籤"的問題。對圖裡的每一個畫素，軟體都要回答一個問題：這是主體的一部分，還是背景的一部分？把所有畫素都判斷一遍，你就得到一張遮罩——一張黑白地圖，白色代表"保留"，黑色代表"刪掉"。把遮罩蓋在原圖上，扔掉黑色區域，就得到了摳好的圖。
這件事在計算機視覺裡有個名字：影象分割。具體到摳背景，用的是顯著目標分割，也就是模型試著找出人類會認為這張照片"講的是什麼"的那個東西，把它和其餘一切分開。
模型是怎麼學會"看見"主體的
模型並不是照著"抓住那個人形的東西"這類手寫規則辦事。它是一個神經網路，訓練它用的是成千上萬張圖片，每一張都由人工事先把完美的遮罩描了出來。訓練時，網路先猜一個結果，跟人工的答案一比，再把自己微調一點點，讓它錯得少一些。這樣重複幾百萬次，網路就學會了區分前景物體和周圍環境的視覺規律：邊緣、紋理變化、虛實、對比度，以及主體通常靠近畫面中心這類特徵。
IMG.DIY 上的 去背工具 用的是 U²-Net 家族的模型，正是專門幹這個的知名架構。有兩個版本可選：
- u2netp —— 小巧快速，4MB。主體清晰、圖快的時候很好用。
- silueta —— 更大的 43MB 模型，邊緣更乾淨，適合處理細節多的去背。
兩者都是把你的圖輸進去，穿過許多層學好的濾波器，輸出那張"保留還是刪除"的遮罩。
它為什麼在瀏覽器裡跑，而不是在伺服器上
大多數去背工具會把你的照片上傳到資料中心，用他們的硬體跑模型，再把結果傳回來。這樣也能用，但意味著你的圖片——哪怕只是短暫地——落在了別人的電腦上。
IMG.DIY 的做法不一樣。同一類神經網路直接在你的瀏覽器裡執行，靠的是兩項 Web 技術：
- WebAssembly（WASM） 讓瀏覽器能執行編譯過的、接近原生速度的程式碼，這正是模型運算所需要的。
- ONNX Runtime 是在這個環境裡真正執行訓練好的模型的引擎。
模型檔案下載一次，之後所有計算都在你自己的 CPU（或 GPU）上完成。你的照片從硬碟讀進來，變成一格格數字，推過網路，再重新拼成摳好的圖——全程沒有一個位元組離開你的機器。
瀏覽器內處理對你意味著什麼
這套設計帶來三個實實在在的結果。
隱私是結構性的，不是一句承諾。 很多網站都說"我們不儲存你的圖片"。而在這裡，圖片壓根沒被傳到任何地方，也就無所謂儲存不儲存。這一點對證件照、檔案、產品原型，或任何你不願交給陌生伺服器的東西，尤其重要。
它能離線用。 因為 IMG.DIY 是帶 service worker 的 PWA，工具在沒網時照常工作。去背有一個星號說明：模型第一次需要下載（前面提到的 4MB 或 43MB 檔案）。之後，你在飛機上、火車上、或者訊號很差的酒店裡，都能照摳不誤。
沒有排隊，也不用等上傳。 你不必和其他使用者搶一臺共享伺服器，也永遠不用等一張大圖上傳完。處理速度取決於你自己的裝置，一臺現代筆記本幾秒鐘就能搞定大多數圖片。
模型還搞不定的地方
理解了原理，也就知道它會在哪兒失靈。飛散的頭髮、毛髮這類又細又軟的細節確實難，因為一根髮絲比模型的把握還要細，它可能會在邊緣處猜成"背景"。低對比度的場景（灰沙發上的灰貓）幾乎沒給網路什麼可分的依據。而顏色紋理都和主體相似的雜亂背景，也會把打標籤這件事搞糊塗。
對於背景分明、主體乾淨的圖，效果非常好。對於那些難啃的情況，在邊緣手動稍微修一下就能收尾。無論哪種情況，整個過程都在你的裝置上、在一個瀏覽器標籤頁裡、幾秒鐘內完成——由一個好用的 去背工具 挑起重擔。