一句话看懂：Feyn Labs 于 2026 年 7 月 21 日发布了开源图像背景去除模型 FeyNoBg，在 8 项基准测试中拿下 4 项 SOTA，同时公开了训练库 NoBg。相比此前广泛使用的 BiRefNet，FeyNoBg 在超高分辨率图片（如 UHRSD-TE）上准确率提升超 2%，让高质量自动抠图向开发者社区又近了一步。
事件核心：发生了什么
Feyn Labs 团队（作者 Hafedh Hichri 和 Shreyash Nigam）正式推出 FeyNoBg，这是一个针对自动背景去除设计的开源模型。模型以 BiRefNet 为基础架构，但将特征提取器第三阶段的深度从 18 层扩展至 24 层，参数量从 222M 增长到 263M。这一改动增加了模型对前景与边界信息的记忆容量，同时通过保留已训练权重、仅初始化新增 6 层的方式避免遗忘。
在公开的 8 项标准 benchmark 中，FeyNoBg 在 UHRSD-TE（+2.5%）、HRSOD-TE（+2.3%）、DIS5K（+1.1%）和 DAVIS-S（+0.2%）四项取得最优 S-measure，在其余四项（DUTS-TE、COD10K-TE、DUT-OMRON、CAMO-TE）与榜首差距均在 2% 以内。其中在 UHRSD-TE 上，FeyNoBg 得分 0.981，对比 BiRefNet 的 0.957 提升显著。
训练过程中，团队首先使用合成数据集 MaskFactory 进行单数据集训练，验证了“扩层提升性能”的假设，随后构建了包含 26.1K 张图片的混合数据集，覆盖拥挤场景、伪装目标、高分辨率人像、动漫等多种类型，最终训练 7000 步得到发布版本。模型和配套库 NoBg 均已开源：FeyNoBg 可通过 Hugging Face 下载，NoBg 在 GitHub 上发布。
为什么重要
背景去除是图像处理领域最基础的 AI 应用之一，常被嵌入电商、视频会议、内容创作等产品。此前开源社区中最高水准的模型是 BiRefNet，FeyNoBg 在其基础上仅用约 18% 的参数量增加（从 222M 到 263M）就实现了多个 benchmark 的领先，验证了“增加关键阶段深度”这条技术路径的有效性。
更重要的是，Feyn Labs 同时开源了训练库 NoBg，意味着开发者不再只能调用现成模型，还能基于自己的数据训练专有抠图模型。这与当下“可定制化 AI”趋势高度契合：企业可以针对自己的商品图、证件照、动漫角色等场景迭代模型，而不用依赖封闭 API 或高昂的标注成本。
从行业竞争看，FeyNoBg 填补了高质量开源背景去除模型的一个缺口——之前用户如果想在超高分辨率（4K/8K）图片上获得好效果，往往只能选择闭源服务（如 remove.bg、Adobe Photoshop）。现在有了同等或更优的开源替代，中小团队和独立开发者可以直接部署自用。
对用户/开发者/创作者的影响
普通用户：如果你使用图片编辑工具、视频会议软件的虚拟背景功能，未来一两年内很可能间接享受到 FeyNoBg 带来的质量提升，尤其在对发丝、运动模糊、复杂边缘的处理上会更自然。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
开发者：可直接从 Hugging Face 下载 FeyNoBg 模型，用它替换项目中的 BiRefNet 或其他旧模型，获得立即可见的准确率提升。同时，NoBg 库提供了完整的训练和推理链路。对于有特定场景需求（如医学影像去背景、游戏角色自动抠像）的团队，可以基于 NoBg 在自己的数据集上微调，而不必从头搭建训练管线。
电商/设计类创作者：如果你常处理高清商品图（如服装、3C 产品），FeyNoBg 在 4K/8K 分辨率上的表现意味着更少的边缘瑕疵和更干净的输出。过去需要手动精修的发丝、细线等部分，现在可以交由模型一次完成。
值得关注的后续
1. 开发者生态能否形成。NoBg 库的易用性、文档完善度和社区贡献意愿，决定了它是否只是“又一个开源项目”，还是能成为背景去除领域的标准训练框架。
2. 竞品如何回应。BiRefNet 团队或其他研究者可能很快尝试更深的网络结构或混合训练策略，FeyNoBg 的领先地位需要持续维护。
3. 落地到视频场景。目前 FeyNoBg 针对的是单张图片。背景去除在视频实时处理（如直播、视频会议）中需求巨大，是否会有优化的视频版或轻量化版本值得关注。
