Feyn Labs 发布了 FeyNoBg 和开源的 NoBg 训练库

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 创始人 Shreyash Nigam 和 FeyNoBg 合著者 Hafedh Hichri 发布了 FeyNoBg 及其 NoBg 训练库 于 7 月 21 日，公开了 Feyn Labs 最新专项 AI 模型实验的模型权重和代码。

此次发布超出了自动图像抠图的范畴。Nigam 正在使用开源模型来展示他与联合创始人 Bhavnick Singh Minhas 正在构建的更广泛业务：帮助客户在专有数据上训练模型，在他们自己的控制下运行这些模型，并通过生产反馈改进它们。Feyn Labs 的主页将公司定位为围绕客户在自有数据上训练、在生产中持续改进并以权重形式拥有的定制模型展开。

Nigam 在华盛顿大学（University of Washington）学习计算机科学，并在 Google 从事云基础设施、广告个性化和设备端 AI 工作后，得出这一论断。[Every 报道称]，Google 的上下文窗口限制促使他与童年朋友 Minhas 一起构建了开源文档分块库 Chonkie。二人随后带着 Feyn Labs 进入了 Y Combinator 的 2025 年春季批次。[Y Combinator 当前列出] Feyn Labs 为一家位于旧金山的三人公司。

在不丢弃基础模型的情况下增加容量

FeyNoBg 基于 BiRefNet 构建，BiRefNet 是一种高分辨率前景分割架构，具有用于定位主体和重建其边界的独立组件。Feyn Labs 将 BiRefNet 特征提取器的第三阶段从 18 个块扩展到 24 个块，使参数数量从 2.22 亿增加到 2.63 亿。

这一设计选择反映了 Feyn Labs 想要解决的问题。去背模型必须识别完整的前景对象，同时保留头发、毛发、电线、模糊及其他细小结构周围的复杂边界。第三阶段的特征提取保留了足够的空间信息来表示这些边缘，同时携带足够的上下文以识别主体整体。

Feyn Labs 保留了 BiRefNet 中所有兼容的预训练权重，仅对新增的六个块进行了初始化。这使得 FeyNoBg 获得了额外容量，而无需迫使整个网络重新学习基础模型已有的表征。

训练数据是押注的第二部分。Feyn Labs 表示，仅使用合成 MaskFactory 示例的初始训练在一个基准上提升了 FeyNoBg 的表现，但在另一个基准上则有所下降。Nigam 和 Hichri 随后从 10 个来源汇集了 26,110 张图像，涵盖拥挤场景、伪装、肖像、高分辨率主体、动漫和合成图像等。最大来源各贡献了 4,000 个示例；Feyn Labs 将合并后的数据集打乱并训练了 7,000 步。

这种混合正是 Feyn Labs 论点的核心。去背系统在针对狭窄数据集训练时，可能会过拟合于宏观的对象识别或精准的边界细节。Feyn Labs 表示，多样化的训练集能生成在两方面都表现更稳定的模型。

基准声明有明确的范围

Feyn Labs 表示，FeyNoBg 在八个基准中有四个的已发布 S-measure 得分最高，并在另外四个上与报告中的领先者相差不超过 2%。其公布的结果包括在 UHRSD-TE 上得分 0.981（BiRefNet 为 0.957），以及在 HRSOD-TE 上得分 0.983（S3ODNet 为 0.961）。

这些数字来自 Feyn Labs 自行评估，并未在发布材料中获得独立验证。该指标也值得审视。S-measure 评估预测前景掩码的结构性和完整性。Feyn Labs 将其训练数据中的分割掩码和 alpha mattes 转换为二值前景掩码，这意味着抠图数据集贡献了详细的轮廓信息，但没有保留其软透明度标签。

因此，结果最能说明主体检测和结构性边界的准确性。对于部分透明像素（传统 alpha-matting 评估会检查模型处理发丝、玻璃、烟雾和运动模糊等的精度），这些结果提供的证据较少。Feyn Labs 展示了定性发丝示例，但该技术说明并未发布单独的 alpha-matting 基准。

这一区别并不使该基准无关紧要。产品照片、肖像、车辆以及许多常见的抠图任务严重依赖完整且形状干净的前景掩码。它仅意味着“state of the art”这一表述应当仅限于 Feyn Labs 所选的八个 S-measure 对比，而不应被视为对所有去背工作负载的全面裁决。

NoBg 将模型变成开发者工具

发布中更持久的部分可能是 NoBg，这是 Feyn Labs 用来训练 FeyNoBg 的 Apache-2.0 Python 库。开发者可以通过统一接口加载模型和处理器，运行批量推理，在源图像尺寸下生成透明 PNG，对图像-掩码对微调 BiRefNet，并将生成的检查点推送到 Hugging Face Hub。

Feyn Labs 还在 Hugging Face 上 发布了 FeyNoBg 的权重，允许开发者在本地运行模型，而不是将图像发送到托管服务。这将此次发布与诸如 remove.bg 等将去背功能封装在 HTTP 请求后的生产 API 区分开来。NoBg 为开发者提供了训练机制以及将模型适配特定图像分布的选项。

这一开源发布符合一种模式。Feyn Labs 的主页还把关于清理网页的模型的文章 Pulpie 与 Chonkie 和其他开源工作一并突出展示。

Pulpie 和 FeyNoBg 针对不同的数据类型，但两者都作为 Feyn Labs 商业论点的公开示范。Nigam 希望证明，经过精心挑选的训练数据、特定任务的架构以及受控的评估可以生成更小的专用模型，客户可以拥有这些模型。NoBg 使这一论点可检验：权重可下载，训练接口公开，开发者可以在自己的图像上验证这些主张。

Feyn Labs 尚未披露其定制模型业务的收入、客户数量或商业定价。FeyNoBg 也进入了一个已有成熟托管服务和多个开放权重替代方案的类别。Feyn Labs 的即时优势在于此次发布本身。Nigam 和 Hichri 已经公开了足够多的训练堆栈内容，供其他工程师复现其工作流、质疑基准并构建专门化版本，而不是被迫接受另一个封闭的图像处理端点。