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.