背景削除モデル FeyNoBg とトレーニングライブラリ NoBg 公開──8 種のベンチマークで SOTA 達成
BiRefNet の第 3 ステージを 18 から 24 ブロックへ拡張して 263M パラメータに調整し、多様なデータセットの学習により主要ベンチマークで最高性能を記録した。
リリース: 2026-07-21 · 読了 3 分記事の要約
1. 核心（What）
- Feyn は自動背景削除モデル FeyNoBg と学習ライブラリ NoBg をオープンソースで公開した。
- FeyNoBg は 8 つのベンチマークのうち 4 つで最高の S-measure を記録し、残りの 4 つでもトップと 2% 以内の精度を収めた。
- モデルのパラメータ数はベースとなった BiRefNet から 222M から 263M へ微増している。
- 学習には 10 のデータセットから収集した 26.1K 枚の画像を使用し、各ソースを最大 4,000 枚に制限してバランスをとった。
2. 影響（Why）
- モデル拡張とマルチデータ学習の有効性: 単一の合成データセットに依存せず、多様な背景や複雑な輪郭を含む複数データセットを適切にキャップして学習させることで、モデルの汎用性と輪郭抽出精度を同時に高められる実証例となった。
- 国内の画像生成・編集 SaaS への影響: 国内の画像編集・E コマース向け背景切り抜きツール開発チームは、商用利用可能な SOTA 級のオープンソースモデルをそのまま自社パイプラインに組み込み、精度と実装コストのバランスを最適化できる。
3. 根拠・詳細（How）
- BiRefNet アーキテクチャの拡張手法: BiRefNet の特徴抽出器における第 3 ステージを 18 から 24 ブロックへ拡張し、互換性のある事前学習済みウェイトを保持したまま 6 つの新規ブロックを追加することで学習容量を向上させた。
- NoBg ライブラリによる処理最適化: NoBg は前処理から推論、アルファマットへの変換、透過 PNG の保存までを統一された Python インターフェースで提供し、本家の BiRefNet 実装と比較してスループット向上と GPU メモリ削減を実現している。
4. 展望・課題（Next）
- ライブラリを活用したカスタム学習: Hugging Face Trainer と統合された NoBg を利用し、開発者は独自の画像とマスクのペアを用いたファインチューニングやカスタムモデルの訓練を容易に行える。