Feyn LabsがFeyNoBgとオープンソースのNoBgトレーニングライブラリをリリース

Why it matters

Feyn Labs is turning open-source specialist models into evidence for its custom-model business, though FeyNoBg's benchmark case remains self-reported and focused on foreground masks.

Feyn Labs founder Shreyash Nigam and FeyNoBg co-author Hafedh Hichri published FeyNoBg and its NoBg training library on July 21, releasing the model weights and code behind Feyn Labs' latest experiment in specialist AI models.

この公開は自動的な画像切り抜きを超えるものだ。Nigamはオープンソースのモデルを用いて、彼と共同創業者Bhavnick Singh Minhasが構築しているより広いビジネスを示している。すなわち、顧客が専有データでモデルを訓練し、自分たちの管理下でモデルを実行し、プロダクションからのフィードバックで改善できるようにすることだ。Feyn Labsのホームページは、顧客が自分のデータで訓練し、プロダクションで改善を続け、重みとして所有するカスタムモデルを軸に会社を位置づけている。

NigamはUniversity of Washingtonでコンピュータサイエンスを学び、Googleでクラウドインフラ、広告のパーソナライゼーション、オンデバイスAIに取り組んだ後にその仮説に至った。Every reported によれば、Googleでのコンテキストウィンドウの制限が彼をして、幼なじみのMinhasとともにオープンソースのドキュメント分割ライブラリChonkieを構築させたという。二人は後にFeyn LabsをY CombinatorのSpring 2025バッチに参加させた。Y Combinator currently lists Feyn Labsをサンフランシスコの3人組の事業と記載している。

Adding capacity without discarding the base model

FeyNoBgは、被写体の位置特定とその境界再構成のための別個のコンポーネントを持つ高解像度前景セグメンテーションアーキテクチャ、BiRefNetに基づいている。Feyn LabsはBiRefNetの特徴抽出器の第3段階を18ブロックから24ブロックに拡張し、パラメータ数を2.22億から2.63億に増やした。

この設計選択はFeyn Labsが解決しようとした問題を反映している。背景除去モデルは、髪の毛、毛皮、配線、ブラーなどの細かい構造周りの難しい境界を保持しつつ、前景オブジェクト全体を認識しなければならない。第3の特徴抽出段階は、それらのエッジを表現するのに十分な空間情報を保持しつつ、被写体全体を識別するための文脈を運ぶようになっている。

Feyn LabsはBiRefNetの互換性のある事前学習済み重みをすべて残し、追加した6ブロックのみを初期化した。これにより、FeyNoBgはベースモデルの既存表現を再学習させることなく追加の容量を得た。

トレーニングデータはもう一つの賭けだった。Feyn Labsによれば、最初の試行では合成のMaskFactoryの例のみを用いたところ、あるベンチマークではFeyNoBgが改善した一方で別のベンチマークでは悪化したという。NigamとHichriはその後、混雑したシーン、カモフラージュ、ポートレート、高解像度の被写体、アニメ、合成画像にまたがる10のソースから26,110枚の画像を集めた。最大のソースはそれぞれ4,000例を寄せ、Feyn Labsは結合したセットをシャッフルして7,000ステップで訓練した。

その混合はFeyn Labsの主張の中心である。背景除去システムは、狭いデータセットで訓練すると、広い物体認識に偏るか精密な境界に偏るかのどちらかに過学習しがちだ。Feyn Labsは、多様な訓練データセットが両方をより一貫して扱えるモデルを生んだと述べている。

The benchmark claim has a defined boundary

Feyn Labsによれば、FeyNoBgは8つのベンチマークのうち4つで公表済みのS-measureで最高値を達成し、残る4つでは報告されているリーダーに対して2%以内に入ったという。公表された結果には、UHRSD-TEでの0.981（BiRefNetの0.957と比較）や、HRSOD-TEでの0.983（S3ODNetの0.961と比較）といったスコアが含まれる。

これらの数値はFeyn Labs自身の評価であり、公開資料に添えられた形で独立に検証されたものではない。また、指標自体も注意深く見られるべきだ。S-measureは予測された前景マスクの構造と完全性を評価する。Feyn Labsは訓練データ中のセグメンテーションマスクとアルファマットを二値の前景マスクに変換しており、これはマッティングデータセットがソフトな不透明度ラベルなしで詳細な輪郭を寄与したことを意味する。

したがって結果は被写体検出と構造的境界の精度に関して最も強い主張を成す。一方で、従来のアルファマッティング評価が毛束やガラス、煙、動きブラーといった部分的に透過するピクセルをどれだけ正確に扱うかを調べる領域については、証拠が少ない。Feyn Labsは定性的な髪の例を示しているが、フィールドノートでは別個のアルファマッティングベンチマークは公表していない。

この区別がベンチマークを無意味にするわけではない。製品写真、ポートレート、車両、そして多くの日常的な切り抜きタスクは、形状がきれいに整った完全な前景マスクに大きく依存している。ただし「最先端」という表現は、Feyn Labsが選んだ8つのS-measure比較に限定して付されるべきであり、すべての背景除去の作業に対する総合的な評価として扱うべきではないということを意味する。

NoBg turns the model into a developer tool

より持続性のある部分は、おそらくFeyn LabsがFeyNoBgの訓練に使用したApache-2.0のPythonライブラリであるNoBgだ。開発者は共有インターフェイスを通じてモデルとプロセッサをロードし、バッチ推論を実行し、ソース画像の寸法で透明なPNGを生成し、画像–マスクのペアでBiRefNetをファインチューニングし、得られたチェックポイントをHugging Face Hubにプッシュできる。

Feyn LabsはFeyNoBgの重みをHugging Faceに公開もしており、開発者は画像をホストサービスに送る代わりにローカルでモデルを実行できるようになっている。これは、背景除去をHTTPリクエストの背後にパッケージするremove.bgのようなプロダクションAPIとは公開の性質を分ける。NoBgは開発者に訓練の仕組みと、特定の画像分布にモデルを適応させるオプションを提供する。

このオープンソースの公開はパターンに合致する。Feyn LabsのホームページはChonkieやその他のオープンソース作業と並んで、ウェブページのクリーンアップ用モデルに関する投稿であるPulpieもハイライトしている。

PulpieとFeyNoBgは異なるデータタイプに対処するが、どちらもFeyn Labsの商業的仮説を公に示すデモとして機能する。Nigamは、慎重に選ばれた訓練データ、タスク特化のアーキテクチャ、管理された評価が、顧客が所有できる小さな専門モデルを生むことを示したいと考えている。NoBgはその主張を検査可能にする：重みはダウンロード可能で、訓練インターフェイスは公開されており、開発者は自身の画像で主張を検証できる。

Feyn Labsはカスタムモデル事業の収益、顧客数、商用価格を開示していない。FeyNoBgは成熟したホステッドサービスやいくつかのオープンウェイトの代替と競合するカテゴリにも参入している。Feyn Labsの即時の優位点はその公開自体にある。NigamとHichriは訓練スタックの十分な部分を公開しており、他のエンジニアがワークフローを再現し、ベンチマークに異議を唱え、別の閉じた画像処理エンドポイントを受け入れる代わりに特化したバージョンを構築できるようにしている。