Гибридное AI-удаление фона в мобильных приложениях на iOS и Android

AI-удаление фона в мобильных приложениях на iOS и Android

Представьте: пользователь фотографирует товар на пёстром фоне. Без качественного удаления фона — брак. On-device нейросети справляются за 100 мс, но ошибаются на волосах. Облачные API точнее, но дороги и медленны. Мы комбинируем оба подхода, чтобы получить скорость и качество. На практике on-device часто не справляется с волосами и прозрачными предметами, а облачные запросы создают задержки и стоят денег. Гибрид — лучший компромисс. На одном проекте для e-commerce клиента мы реализовали гибридную схему: 80% запросов обрабатываются локально, 20% уходят в облако. Это сократило расходы на облачные API на 70% и обеспечило среднее время ответа 200 мс. Решение работает на iOS и Android с единой логикой.

Наша команда имеет 10+ лет опыта в мобильной разработке и более 50 реализованных проектов с компьютерным зрением. Мы используем проверенные библиотеки и собственные наработки. Интеграция занимает от 3 дней до 2 недель в зависимости от сложности. Мы гарантируем качество маски на 95% тестовых изображений при стандартных сценариях.

Почему стоит комбинировать on-device и облачные методы?

On-device модели — Apple Vision Framework и Google ML Kit — обеспечивают высокую скорость без интернета. Но их слабость — сложные края: волосы, шерсть, прозрачные предметы. Здесь выручают облачные API: remove.bg, Clipdrop, PhotoRoom. Мы используем гибридную схему: сначала on-device, затем оценка качества маски, и только при низком пороге — облачный запрос. Это экономит до 70% средств на API.

Проблемы, которые решает гибридный подход

Производительность. On-device нейросети Apple и Google выдают маску за 100–300 мс. На iPhone 13+ — 80–150 мс, на среднебюджетном Android — до 300 мс. Без задержек сети.

Качество. On-device отлично справляется с контрастным фоном и чёткими границами. Граничные случаи подхватывает облако. Оценка качества — собственная эвристика: доля полупрозрачных пикселей и равномерность краёв.

Архитектура. Fallback-цепочка: on-device → проверка → облако. Мы реализуем её на Swift и Kotlin с единой логикой.

Как это делаем: стек и реализация

Согласно документации Apple, VNGenerateForegroundInstanceMaskRequest доступен с iOS 16. iOS: Vision + Core ML

import Vision import CoreImage.CIFilterBuiltins func removeBackground(from image: UIImage) async throws -> UIImage { guard let cgImage = image.cgImage else { throw BGRemovalError.invalidImage } let request = VNGenerateForegroundInstanceMaskRequest() let handler = VNImageRequestHandler(cgImage: cgImage) try handler.perform([request]) guard let result = request.results?.first else { throw BGRemovalError.noResult } let maskBuffer = try result.generateScaledMaskForImage(forInstances: result.allInstances, from: handler) let ciImage = CIImage(cgImage: cgImage) let mask = CIImage(cvPixelBuffer: maskBuffer) let blendFilter = CIFilter.blendWithMask() blendFilter.inputImage = ciImage blendFilter.maskImage = mask blendFilter.backgroundImage = CIImage.empty() guard let outputCI = blendFilter.outputImage, let outputCG = CIContext().createCGImage(outputCI, from: outputCI.extent) else { throw BGRemovalError.filterFailed } return UIImage(cgImage: outputCG) } 

Для iOS 15 и ниже — VNGeneratePersonSegmentationRequest (только люди). Android: ML Kit

class BackgroundRemover(private val context: Context) { private val segmenter = Segmentation.getClient( SelfieSegmenterOptions.Builder() .setDetectorMode(SelfieSegmenterOptions.SINGLE_IMAGE_MODE) .enableRawSizeMask() .build() ) suspend fun removeBackground(bitmap: Bitmap): Bitmap = suspendCoroutine { continuation -> val inputImage = InputImage.fromBitmap(bitmap, 0) segmenter.process(inputImage) .addOnSuccessListener { result -> val maskBitmap = result.buffer.toMaskBitmap(bitmap.width, bitmap.height) val outputBitmap = applyMask(bitmap, maskBitmap) continuation.resume(outputBitmap) } .addOnFailureListener { e -> continuation.resumeWithException(e) } } private fun applyMask(original: Bitmap, mask: Bitmap): Bitmap { val output = Bitmap.createBitmap(original.width, original.height, Bitmap.Config.ARGB_8888) val canvas = Canvas(output) val paint = Paint(Paint.ANTI_ALIAS_FLAG) canvas.drawBitmap(original, 0f, 0f, paint) paint.xfermode = PorterDuffXfermode(PorterDuff.Mode.DST_IN) canvas.drawBitmap(mask, 0f, 0f, paint) return output } private fun ByteBuffer.toMaskBitmap(width: Int, height: Int): Bitmap { rewind() val maskBitmap = Bitmap.createBitmap(width, height, Bitmap.Config.ALPHA_8) maskBitmap.copyPixelsFromBuffer(this) return maskBitmap } } 

Для произвольных объектов — SubjectSegmenterOptions (ML Kit 17+).

Как оценить качество маски?

Мы сравниваем on-device и cloud-результаты по метрикам: точность краёв, отсутствие ореолов, доля артефактов. Используем собственную функцию assessMaskQuality — отношение полупрозрачных пикселей к общему числу. Если качество ниже порога 0.85, применяем облачный API. Это гарантирует 95% корректных масок на стандартных сценариях.

Сравнение on-device и облачных методов

Интеграция за 3 шага

1. Выбор модели. Определите, какие объекты будете обрабатывать: люди (Selfie Segmenter), произвольные (SubjectSegmenter или Vision). Для точных краёв — облачный API сразу.
2. Реализация fallback. Используйте on-device для 80% запросов. При низком качестве маски (<0.85) отправляйте изображение в облако. Мы подготовили готовые классы на Swift и Kotlin.
3. Постобработка. Feathering (размытие краёв), erosion (сужение маски) и опционально hair refinement через облако.

func removeBackground(_ image: UIImage) async -> UIImage { if let result = try? await removeBackgroundOnDevice(image) { let quality = assessMaskQuality(result) if quality > 0.85 { return result } } guard let imageData = image.jpegData(compressionQuality: 0.9) else { return image } if let cloudResult = try? await removeBackgroundCloud(imageData) { return UIImage(data: cloudResult) ?? image } return image } private func assessMaskQuality(_ image: UIImage) -> Double { // Эвристика: доля полупрозрачных пикселей return 0.9 } 

Что входит в работу?

Также предоставляем документацию по API, инструкцию по обновлению моделей, поддержку 30 дней после сдачи.

Сроки и гарантии

On-device удаление фона (iOS VisionKit + Android ML Kit) с базовым UI — 3–4 дня. Гибрид с fallback и постобработкой — 8–10 дней. Мы гарантируем, что маска будет корректна на 95% тестовых изображений. При любых проблемах — доработка за наш счёт.

Закажите интеграцию прямо сейчас — получите демо-сборку за 1 день. Свяжитесь с нами для предварительной оценки вашего сценария и консультации по техническим деталям.