为了更有效找到商品与用户的匹配，个性化广告推荐根据用户的相关信息，对每个用户实施不同的商品推荐。为了更好的展现商品，个性化的创意性广告需求量大增。但是个性化的创意性广告的制作，需要大量的素材图片，其中包含去除背景的商品图。通常人工图像抠图需要几分钟到几十分钟，为了减轻和替换大量的人力劳动，自动化商品广告制作可以带来很大的收益。
　　本文提出以非人商品图抠图和人物商品图抠图两个分支，来解决自动商品图抠图问题。非人商品图抠图采用显著性物体检测来提取图像中的商品，提出渐近特征抛光网络(Progressive Feature Polishing Network，PFPN)，此方法利用了一个简单有效的特征抛光结构，以递归的方式逐步改进多级特征，使其更加准确和具有代表性，最后提高预测结果的语义准确性和细节精细度。并且在5个通用开源显著性检测数据集上，指标平均绝对误差(MAE)、F度量和S度量超过了其他16个前沿显著性检测方法，同时在真实非人商品数据集上的测试结果通过率达到了70％。
　　人物商品图抠图采用两阶段的方式:语义分割和基于分割的图像抠图，此方式首先在真实分割数据集上训练得到分割结果，然后在合成抠图数据集上，以分割结果和原始输入图片作为抠图模型的输入，对分割结果的细节部分做优化，得到最终的抠图结果，这样解决了抠图数据匮乏的情况下，将抠图能力从合成数据迁移到真实数据上。其中，分割模型采用多尺度并行结构和池化金字塔模块，使得特征保持高空间分辨率的情况下，大幅扩大模型感受野，得到语义上更准确且分辨率更高的分割结果。抠图模型基于分割结果做边缘细节优化，对特征采用索引下采样和上采样，避免细节信息被平滑掉，且对细节有更好地保留;损失函数采用全局误差、局部误差、Gabor误差和合成误差，使得全局语义保持的情况下，同时优化边缘细节。
　　本方法为自动化商品抠图提供了一个有效的解决方案，降低了抠图的人力成本且提高了抠图效率，同时扩大了商品素材的可用范围，促进了自动化创意广告生成。