最直接用到的 AI 技术是图像抠图算法（image matting）。但为了得到更好的抠图效果，目前很多抠图技术都采用多种算法结合的解决方案，还包括显著性物体检测、图像语义分割和实例分割等算法。
相比图像抠图，视频抠图算法最大难点是时序一致性。对于视频抠图结果，一帧帧看结果都很不错，但是连在一起，边缘地区就会有抖动，抠图时序的一致性不够好。视频智能抠图技术就是在图像抠图技术基础之上，增加视频物体分割等算法来保证视频抠图结果的时序一致性，达到“抖动小，更平滑”的分割效果。期望达到的效果：抠图后，视频中的人神情、动作非常生动、自然，人物的头发丝纤细可见，视频主体人物和背景的衔接流畅，能够准确区分，整个画面很完整。
视频的前景和背景颜色比较接近，在这样的情况下，要保证抠图对象的完整性和局部细节的精确度，所需的技术难度较高，尤其对于头发丝、衣服褶皱等抠图精细程度高的部分。视频人物抠图，从人物分割来看，算法模型需要学习人物的先验知识，在前景 / 背景颜色比较接近和复杂纹理的情况下，人的先验知识可以起到重要的作用，能保证抠图对象的完整性。
为了既保证对象的整体性，又能得到精确的局部细节，从算法角度，高层特征和低层特征需要很好的融合在一起。目前很多图像分割网络，例如 HRnet 在这方面都处理得比较好。任海兵团队参考 HRnet、Deeplab V3+ 等语义分割网络提出了对应解决方案，该方案目前在最重要的语义分割数据集 Cityscape Test 数据集上达到了 84.3% 的正确率。
目前特别智能的抠图算法，特别是视频抠图算法，还处于实验室研究阶段。算法特别复杂，需要大量的计算资源，且算法本身也不是特别成熟，在通用场景和复杂场景下达不到用户的预期，因此只在某些特定的领域内针对具体场景进行优化，达到小范围的商用。市面上，商用软件中的抠图算法，需要处理更加通用的场景，加之受计算资源限制，无法使用特别复杂的算法，还达不到特别的智能。深度学习在像素级分类任务上取得了较大的进展。智能抠图相关的算法，例如图像物体分割、视频物体分割、Image Matting 等也取得了较大的进步。视频抠图在实现高度智能、大规模商用方面的潜力值得期待。