AI 处理在您的设备本地进行。
将图像拖放到此处或点击浏览。支持 HEIC。
OmniImage 上的背景去除器完全在您的设备上运行分割和抠图通道，这意味着您在棋盘上判断的 alpha 与您的利益相关者可以下载的 alpha 相同，而无需绕道应用程序服务器，并且由于 WebAssembly 和类型化数组在本地托管繁重的卷积工作，因此您可以为厌倦了模糊 AI 声明的 E-E-A-T 审阅者可靠地记录技术架构和狭窄的数据路径。 尽管在权重和引擎初始化时第一次运行可能会较慢，但同一访问的后续传递会重用热模块，并且感觉更像是专业的桌面插件，而不是一次性上传表单。
当您选择 PNG、WebP、AVIF 或 JPEG 时，背景去除器会强制明确考虑透明度与展平、子采样和重新压缩，因为这些是高级修饰师或发布经理在批准生产文件之前会列出的交付决策，尽管营销文案不能取代培训，但列出这些权衡的工具页面更接近搜索引擎在准确编写时试图奖励的专业知识。
图像在您的浏览器中本地处理，在每个工具页面所述的核心编辑操作中，永远不会上传到我们的应用服务器。这意味着您调整的位图与留在设备内存中的位图相同，直到您明确下载或复制结果为止。
虽然许多托管编辑器会悄悄地通过远程服务器传输文件，以便供应商应用专有的'增强功能'，但浏览器端管道减少了您的安全问卷需要列出的信任依赖项数量，因为如果您曾经上传文件进行预览，仅凭 TLS 无法抹去副本曾存在于他人磁盘上的事实。
这种架构符合 GDPR 等法规对数据最小化的现代期望，因为最强形式的最小化是完全不收集或保留任务中从未需要的像素，而不是在短期保留政策下短暂收集这些像素——后者仍会产生审计面。
您仍应遵守组织在共享工作站上处理敏感内容的相关政策，因为本地处理不能取代合同保密义务，但它确实消除了常规裁剪、调整大小、压缩、转换、添加水印和解码工作流中整类第三方数据摄取风险。
从历史上看，背景删除意味着要么是艰苦的手动屏蔽，要么是在您评估剪切是否可接受之前使用云 API 来摄取您的文件，这给法律团队带来了摩擦，他们必须在数据映射中添加另一个供应商来完成一项看似平凡的任务。
客户端抠图通过将张量保留在您控制的内存中来颠倒这一假设，因此问题是“像素去了哪里？” 有一个明确的答案：它们一直保留在浏览器进程中，直到您导出，此时只有您选择保存的工件离开了机器。
这个故事在技术上对 E-E-A-T 来说是站得住脚的，因为它将营销主张与可检查的网络行为和架构选择（WASM、类型化数组、显式导出编解码器）联系起来，工程师可以验证这些，而无需单独信任黑盒 SLA 段落。
神经抠图本质上是一个伪装成创意过滤器的密集线性代数问题，这意味着延迟会随着模型容量和输入分辨率的变化而变化，并且这种关系不会仅仅因为标题中出现“AI”一词而消失。
WebAssembly 为这些内核提供了近乎本机的执行环境，同时仍然尊重浏览器沙箱，这就是为什么非常大的光栅可能会达到实际的 RAM 限制，这反映了您在入门级桌面编辑器中打开相同文件时所看到的情况。
好处是透明：限制因素是您可以分析的硬件，而不是您无法观察到的远程队列深度。
然后，导出编解码器确定遮罩的半透明像素是否能够承受量化或被压成条带，这就是为什么我们将 PNG、WebP、AVIF 和 JPEG 公开为明确的选择，并进行简单语言的权衡，而不是将它们隐藏在单个下载按钮后面。
棋盘预览的存在是因为人眼对任意摄影的透明度理解能力较差，而且它与设计师已经从桌面工具中理解的约定相同，这可以减少将 PNG 交给制作团队时的培训成本。
当您拼合为 JPEG 时，您就签署了一份合同，即轮廓附近的半透明像素将根据实心填充进行解释，如果所选填充不是中性灰色，则可能会改变明显的头发颜色。
对于许多摄影遮罩，WebP 和 AVIF 可以通过比 PNG 更好的压缩来保留 Alpha，但前提是解码支持对于您的受众来说足够普遍，这就是为什么基于分析的编解码器选择仍然是一个发布规则，而不是该工具应该假装在没有上下文的情况下自动解决的问题。
大多数真实的管道首先隔离主题，然后调整大小到布局断点，然后压缩 CDN 预算，因为反转该顺序会浪费编码背景杂乱的位，您已经决定放弃或通过在分割之前压缩来使细节模型匮乏。
从此页面链接的相关工具遵循相同的本地化执行模型，这意味着您的文档可以描述端到端的故事，而无需在创意步骤之间插入未命名的上传服务。
内部链接保留在您的活动区域设置路线内，这有助于人类和爬虫了解该工具包是连贯的，而不是一组碰巧共享徽标的断开连接的登陆页面。
抠图模型渴望视觉细节，这在历史上吸引了产品团队将全分辨率帧发送到强大的远程 GPU，这些 GPU 的保留策略比营销人员认为他们要求的单一预览更广泛。
在本地运行该模型可以消除整个数据流风险，因为使发丝与天空分离的像素永远不会成为由不透明作业 ID 键入的多租户存储桶中的对象。
从加密的角度来看，TLS 仅保护移动中的字节； 它不会消除副本存在于您无法控制的服务器上的事实，而本地执行首先避免创建该副本，这是更强大的隐私财产监管机构越来越多地要求供应商证明的事实。
对于宣传“我们从不上传您的照片”的出版商来说，客户端推理是少数几个架构之一，其中这句话在推理步骤中保持字面正确，而不是在“上传”的创造性定义下严格正确。
上传肖像、产品照片或徽标板，然后等待 WebAssembly 第一次加载分段权重，因为将功能强大的抠图模型发送给客户端必然涉及比普通脚本更大的一次性下载，尽管后续在同一访问中运行重用初始化引擎并感觉速度更快。
检查棋盘预览上的 alpha 遮罩，注意传统色度键控会失败的发丝和玻璃边缘，然后在需要完全透明进行合成时导出为 PNG，在需要较小的响应图像文件时导出为 WebP 或 AVIF，在为无法容忍 alpha 的目录系统故意拼合纯色时导出为 JPEG。
该管道中的任何内容都不需要将原始文件存储在 OmniImage 服务器上以进行推理，因为将前景与背景分开的张量操作使用您已选择在本地处理的相同解码位图在浏览器的内存空间中执行。
背景移除器解决了一类问题（前景隔离），该问题历来推动团队转向云推理，因为密集的卷积工作负载感觉与浏览器的延迟预算不兼容，但当模型权重、张量运行时和导出编解码器经过精心组合时，将工作传输到客户端现在是一个可靠的替代方案。
当您在 OmniImage 上使用背景去除器时，分段过程会使用 WebAssembly 和类型化缓冲区在本地运行，以便您在棋盘上判断的 alpha 遮罩与利益相关者下载的遮罩相同，并且由于核心遮罩步骤不需要往返应用程序服务器，因此隐私争论变得结构性而非理想性，这正是监管机构在现代数据最小化叙述中所期望的推理路线。
背景去除器仍然要求诚实地披露首次运行成本：下载和实例化一个有能力的模型比提供单行脚本更重，但是该成本购买了独立于供应商队列的独立性，而供应商队列的节流、日志记录和保留你无法审核，并且对于受监管的图像，这种独立性通常是决定性的采购标准，即使远程 GPU 在最好的情况下可以节省几秒钟。
抠图后，选择 PNG、WebP、AVIF 或 JPEG 成为一种交付决策，而不是隐藏的默认设置，因为背景去除器必须将有关透明度、子采样和重新压缩的专业知识与最终将资产放置在 CMS 或 DAM 中的读者联系起来，而错误会持续数月。
从数学上讲，神经抠图是一系列卷积、非线性和后处理，这些都是内存带宽密集型的，这意味着背景去除器总是会随着分辨率的变化而缩放，而营销语言在不撒谎的情况下就无法扁平化。
WebAssembly 在沙箱内提供接近本机的性能，但它无法突破物理 RAM 限制，尽管现代笔记本电脑可以轻松地承受数百万像素的源，但巨大的全景可能仍然需要耐心或故意缩小比例，因为在抠图之前修剪像素有时是让非工作站级设备的用户保持延迟可预测的唯一方法。
当头发或半透明塑料混淆模型时，故障模式通常在导出前的 Alpha 预览中可见，并且由于背景去除器将预览和导出保持在同一画布管道上，因此只有在文件到达 Figma 后才可以进行迭代，而不会发现意外的光环，这是 E-E-A-T 评估者可以识别为真正的工程透明度的工作流程诚实信号。
无损 PNG 保留了下游合成的遮罩，但 WebP 和 AVIF 可以根据分析显示的浏览器来交换文件大小以换取解码兼容性，而 JPEG 必然会丢弃不关联的 alpha，这会以契约方式将背景颜色烘焙到像素中，即使屏幕上的评论之前看起来是透明的。
背景去除器使这些权衡变得可见，因为成熟的买家永远不会仅在市场拒绝上传后才发现透明度损失，尽管这比一键“下载”按钮需要更多的思考，但这就是教育工具页面和仅承诺速度的工具页面之间的区别。
将背景去除器与缩放器、压缩器和格式转换器配对，重复使用相同的本地优先设计语言：每个链接将您的会话保留在您选择的区域设置内，并且您的文档可以描述从隔离到 Web 交付的连贯路径，而无需在每个创意步骤之间插入未命名的服务器跃点。
核心模型作为具有类型化数组缓冲区的 WebAssembly 运行，以便繁重的卷积工作保持在 CPU 附近，而无需通过 REST 端点来回往返像素，在让客户端资产通过之前，您必须阅读 REST 端点的日志记录策略。
该架构以更大的第一个有效负载换取随后可预测的延迟，这对于那些宁愿分摊一次性下载也不愿就“AI 清理即服务”协商另一个 BAA 的机构来说通常更可取。
由于会话从不依赖于远程数据中心中的共享 GPU 队列，因此当供应商的批处理作业在黑色星期五期间激增时，您还可以避免意外的限制，这是一个很少出现在营销文案中但在操作上很重要的可靠性角度。
PNG 完全按照计算结果保留遮罩，这在下游设计人员仍需要在 Photoshop 中调整阴影时非常理想，而当分析配置文件中的浏览器已宣传解码支持时，WebP 和 AVIF 可以大幅缩小文件大小。
JPEG 无法携带 Alpha 通道，因此选择它会按照合同将背景颜色烘焙到文件中，这对于要求白色填充的市场缩略图来说很好，但对于必须浮动在渐变上的英雄图层来说是错误的。
该界面使这些权衡变得明确，而不是默默地降低透明度并希望在生产之前没有人注意到。
从您拥有的最高分辨率、压缩程度最低的源开始，因为来自拍照手机的激进 JPEG 可能会导致模型缺乏将头发与天空分开的真实边缘频率，从而导致导出编解码器无法在以后修复的光晕。
如果拍摄对象穿着半透明织物或彩色反光，请在导出前大幅缩放预览，以确认遮罩不会剪掉您的品牌指南仍希望保留的微妙半透明效果。
当您必须为设计人员提供透明的 PNG 并为旧版 CMS 提供拼合的 JPEG 时，请从同一会话导出两次，而不是让 CMS 盲目地将 PNG 重新压缩为 JPEG，因为第二遍通常会引入抠图步骤从未见过的块状现象。
当市场规定限制像素尺寸时，将此工具与缩放器配对，首先进行抠图，以便边缘对比度能够在缩小尺寸时保留下来，而不是首先压缩使网络混乱的嘈杂背景。
背景移除器使用 WebAssembly 支持的推理和类型化数组缓冲区在本地运行分段和抠图通道，然后将结果合成到画布上以进行预览和导出，从而将高分辨率源像素保留在会话中，而不是远程工作队列中。 此外，您在棋盘上检查的 alpha 遮罩是在不将完整图像发送到应用程序服务器以获取“GPU 时间”的情况下生成的，因此核心隔离步骤在结构上比创建持久副本的上传优先遮罩服务更加私密。 除了减少子处理器之外，本地执行意味着“可用预览”的第一个字节延迟主要由您的设备和模型的客户端初始化成本决定，而不是到您未选择的区域的多跳往返。 因此，您可以为 NDA 和受监管图像记录诚实的管道：神经通道和画布导出与同源页面位于同一位置，您可以选择 PNG、WebP、AVIF 或 JPEG，并充分了解每个编解码器如何处理透明度，然后任何内容都离开您的控制（除了您下载的文件）。
当您正在准备需要干净的 Alpha 剪切的电子商务、市场或社交资产，但您的品牌政策禁止将未发布的产品照片发送到第三方“智能擦除”服务时，请使用它。 此外，注重性能的团队可以将带有 Alpha 的透明 PNG 或 WebP/AVIF 集成到响应式布局中，以减少主题周围尴尬的矩形框，并且在本地进行抠图可以保护原型和预发布外观手册的机密性。 最后，当您需要将剪切图附加到设计移交、电子邮件或错误报告时，本地工具可以避免创建会扩展数据地图和事件响应范围的云中间体。 当抠图工作发生在您已经信任源文件的设备上时，每种情况都会更强大，而共享基础设施上没有额外的副本，您就无法进行端到端审核。
The Background Remover compiles a segmentation and edge-refinement model to WebAssembly so heavy convolutional work can execute at near-native speed without trusting a server-side API with the pixel buffer, and by marshaling input images through ImageBitmaps and linear-memory views, the runtime can stream tensors from decode through inference without an intermediate cloud hop that would reintroduce a custody chain you had not budgeted in your threat model.
By leveraging Web Workers for the primary inference budget, the main thread can continue updating UI chrome such as a compare slider, elapsed timers, and export affordances, which matters because a slow interface looks like a broken tool even when the model is still computing, and that perception erodes the trust signals E-E-A-T reviewers are meant to read as genuine operational care.
Post-inference, alpha matting and compositing against a checkerboard preview happen using canvas compositing rules that you can read in the open standards for Porter-Duff operations, and when you request PNG, WebP, or AVIF, the encoder path applies explicit choices about loss versus transparency that no opaque backend could silently override with a one-size-fits-all preset.
The entire loop—decode, run weights, build premultiplied RGBA, encode—is orchestrated in one origin so your security team can point to a narrow surface area: a single web application loading static assets and never receiving your raw photograph as a multipart form field destined for a vendor bucket you did not choose.
Federated, server-side “AI background” products necessarily retain enough access to the photograph to return a result, and even vendors that promise short retention can still be compelled by lawful intercept or can suffer silent misconfiguration, whereas a client-only pipeline reduces the number of systems that can ever log your asset from “many” to the browser trace you control.
By keeping inference local, you also avoid a subtle compliance gap where marketing claims of encryption in transit are technically true for upload but irrelevant if you never wanted the image to exist on someone else’s disk at all, and that distinction is the one privacy officers increasingly ask vendors to make explicit.
This architecture is designed so your pixels are not a convenient telemetry feed, because the weights execute locally and the tool does not need to upload a frame in order to return a high-resolution alpha mat.
If you are auditing, look for the absence of a large outbound payload matching your file size, which is a straightforward indicator that learning did not require server-side inspection of the underlying bitmap.
The initial visit must fetch and instantiate WebAssembly modules, allocate aligned buffers, and warm caches, which is a one-time cost that resembles installing a local plug-in except it stays confined to a sandboxed web origin.
Subsequent operations on the same session reuse a warm module graph, so the experience converges on something closer to an interactive retouching pass once startup amortizes across a batch of product shots you are already reviewing locally.
PNG preserves a lossless mask but can be large; WebP and AVIF trade a modern decoder requirement for better bytes-per-quality metrics, and JPEG discards alpha entirely, which means you are consciously flattening onto an opaque color that the UI warns you about before download.
These are codec governance decisions, not cloud toggles, and the benefit of local processing is you can re-export quickly while iterating without uploading each trial render for remote approval.
WebAssembly is not magic parity with every hand-tuned hand-optimized desktop stack, but it is deterministic, sandboxed, and inspectable, which is a better fit for an evidence-driven security review than a closed native executable whose network behavior is harder to observe under load.
We surface explicit errors when a browser lacks a needed capability, which is a cleaner failure than a server error code that could leak operational metadata you did not intend to share.
工作流程经过精心设计，以便使用下载的模型权重在浏览器中本地运行分割和 Alpha 生成，这意味着您选择的位图不会传输到 OmniImage 应用程序服务器来计算您下载的剪切图。
您仍然应该根据组织有关本地工作站的政策来处理敏感图像，因为“设备上”不会覆盖有关机密像素可能出现的位置的合同规则，即使它们从未接触过我们的磁盘。
保持浏览器更新很重要，因为 WASM 和 SIMD 功能会随着时间的推移而改进，而旧引擎可能会拒绝分配大型模型所期望的连续内存。
初始延迟很大程度上反映了下载和实例化模型权重以及分配适合图像大小的缓冲区，这类似于第一次打开桌面插件，只不过字节通过 HTTPS 传输到缓存而不是从本地磁盘读取。
预热之后，同一选项卡上的后续分段会重用已编译的模块，并且通常会在第一次延迟的一小部分内完成，这就是为什么我们显示诚实的进度消息，而不是假装每个作业都需要相同的毫秒数。
如果您硬刷新或清除站点数据，请期待再次预热，因为隐私友好的本地执行不会在会话之间秘密地将您的模型副本保留在我们的服务器上。
第一次使用该功能时，必须在浏览器中下载并实例化一个有能力的模型，并且 WebAssembly 和张量内存不是免费的，尽管它们比简单的 JavaScript 重新实现更快。 此外，高分辨率栅格需要更多的工作内存用于推理张量，因此在普通硬件上，极大的图像可能会变慢，远程 GPU 场可能会隐藏更大的配额。
作为交换，隐私属性是您的像素不是组织政策之外的多租户集群上的批处理作业。
因此，交易是明确的：您预先支付本地模型重量和内存的费用，并且您可以避免与供应商为每次新拍摄建立长期上传关系。
JPEG 不像 PNG 那样存储不关联的 alpha，因此 JPEG 导出会针对隐式或选定的背景进行展平，这是标准编解码器行为，而不是背景去除器中的渲染故障。 此外，即使手机上的预览看起来“不错”，一些市场也会拒绝实际上不透明的资产，这就是为什么该工具会以诚实的结果显示格式选择。
此外，如果您需要 Alpha 进行后续合成，则应从 PNG、无损 WebP 或适当的 AVIF 模式开始，直到准备好为需要它的通道烘焙最终的平面 JPEG。
因此，专家工作流程是：使用无损或支持 alpha 的容器进行隔离，然后使用相同的本地优先模型在下游工具中添加调整大小和压缩。
继续使用其他基于浏览器的工作流。页面保留您选择的语言，采用相同的本地优先设计。