開源模型與電腦視覺
FeyNoBg 擴充 BiRefNet 中段深度，以混合資料兼顧前景辨識與邊界細節
Feyn 開放 2.63 億參數 FeyNoBg 與 NoBg 訓練函式庫，統一背景移除、批次推論及微調介面。官方比較顯示模型在八項資料集的四項 S-measure 領先，但未報告速度、記憶體與透明度誤差等部署指標。
Feyn 於 7 月 27 日釋出自動背景移除模型 FeyNoBg，以及用來訓練、推論與重新參數化模型的開源 Python 函式庫 NoBg。這項工作處理的並非單純二元分割：系統必須先辨識完整前景，再替頭髮、毛皮、細線與動態模糊等邊界預測透明度，兩種能力若由偏斜的資料配方訓練，經常會互相犧牲。
模型以 BiRefNet 為基礎，保留負責定位與邊界重建的雙路設計，並把特徵擷取器第三階段由 18 個區塊加深至 24 個，使參數量從 2.22 億增至 2.63 億。團隊沿用所有形狀相容的預訓練權重，只初始化新增區塊，意圖在擴充容量時降低遺忘既有能力的風險。
資料配方同樣是主要改動。初期只使用合成遮罩資料 MaskFactory，雖改善 CAMO，卻令 DIS5K 成績倒退；最終版本改用十個來源、約 2.61 萬張涵蓋偽裝、擁擠場景、高解析人物與動漫的影像，每個來源最多取 4,000 張，並把 segmentation mask 與 alpha matte 都轉成一致的二元訓練目標。官方表示，FeyNoBg 在八項測試的四項取得最高已發表 S-measure，其餘差距不超過 2%。
NoBg 則把模型載入、影像處理、批次與 BF16 推論、Hugging Face Trainer 微調及模型上傳包成一致介面；程式庫採 Apache-2.0，模型卡標示 MIT。不過 S-measure 主要衡量結構與形狀，無法完整代表半透明邊緣的視覺品質；比較表也沒有公開端到端延遲、GPU 記憶體、影片時間一致性或各資料集統計顯著性。工程團隊下一步應在自身影像分布上，同時測試 alpha 誤差、細邊界失敗率、吞吐與授權相容性，再決定是否取代既有 matting 流程。