2D图片3秒变立体，变换视角流畅自然：Adobe实习生的智能景深算法，登上顶级期刊

乾明 2019-09-16 12:57:30 来源：量子位

鱼羊 栗子 乾明 发自 凹非寺

量子位 报道 | 公众号 QbitAI

你离礁石越来越近，仿佛还有一秒就要触礁了。

不过这张动图，并不是从人类拍摄的视频里截下来的。

是Adobe放出的新魔法，把这张静态照片变出了立体感，整个过程只需要2-3秒：

这种特效处理，常常用于纪录片等视频的后期制作，名为Ken Burns Effect。

原本只是2D缩放 (下图左) ，通过对静止图像的平移和缩放，来产生视差，从而实现动画效果。

但Adobe这种3D效果 (上图右) ，不仅有平移和缩放，还有视角转换，给人更沉浸的体验。

想要实现，需要专业的设计师在Photoshop等软件中花费数个小时时间。

而且制作成本也很高，一张照片大概需要40-50美元 (约合人民币280-350元) 。

Adobe也登上了ACM主办的计算机图形学顶级期刊TOG，引发了大量讨论与关注。不乏有激动的网友给出“三连”：

Incredible. Amazing. Holy shit.

完全不是简单的缩放

透视原理决定，前景比背景的移动/缩放更剧烈。

所以，前景移动的时候，背景除了移动，也要跟着修复。

AI的背景修复十分自然，手法明显比“前辈”更高超：

并且，不论背景简单复杂，AI都不怕。

比如，走到沙发跟前，沙发就挡住了后面窗户外的草地：

背景的色彩和结构都很复杂，但AI并没有蒙蔽。

如果你觉得，刚才的视角变化只是由远及近，不够复杂。那就看一眼这古老的台阶吧：

仿佛你打算走上台阶，所以正在朝着它的方向，慢慢转身。

除此之外，一条古老的走廊，你置身其中，好像正在从上仰的视角，变得平视前方。

当然，不只是风景，人像也可以处理。

比如，草地上的新娘，可以远观，也可以近距离欣赏：

就像开头说的那样，所有的变换，只靠一张静态图来完成。

这自然不是普通的缩放可以做到的：

所以，究竟是怎样的技术做到的？

三步定边界，结合上下文感知

用单个图像合成逼真的相机移动的效果要解决两个基本问题。

首先，要设置一个新的相机位置，合成新视图，并且需要准确地恢复原始视图的场景几何结构。

其次，根据预测的场景几何结构，要将新视图在连续的时间线上合成，这就涉及到去遮挡这样的图像修复手段。

研究人员们用了三个神经网络来构建处理框架。

用以训练的数据集是用计算机生成的。研究人员从UE4 Marketplace2收集了32种虚拟环境，用虚拟摄像机在32个环境中捕获了134041个场景，包括室内场景，城市场景，乡村场景和自然场景。每个场景包含4个视图，每个视图都包含分辨率为512×512像素的颜色、深度和法线贴图。

指定一张高分辨率图像，首先根据其低分辨率版本估计粗糙深度。这一步由VGG-19来实现，根据VGG-19提取的语义信息指导深度估计网络的训练，并用具有ground truth的计算机合成数据集进行监督。如此，就能提取出原始图像的深度图。

第二个网络，是Mask R-CNN。为了避免语义失真，平行于VGG-19，用Mask R-CNN对输入的高分辨率图像进行分割，而后用分割的结果来对深度图进行调整，以确保图中的每个对象都映射到一个相干平面上。

最后，利用深度细化网络，参考输入的高分辨率图像，对提取出的粗糙深度进行上采样，确保深度边界更加精确。

之所以要采用深度细化网络，是因为裁切对象的过程中，对象很可能在边界处被撕开。

有了从输入图像获得的点云和深度图（注：点云指通过3D扫描得到的物品外观表面的点数据集合），就可以渲染连续的新视图了。

不过，这里又会出现一个新的问题——当虚拟摄像机向前移动的时候，对象本身会产生裂隙（下图中高塔右侧像被网格切开了）。

为了解决这个问题，研究人员采取了结合上下文感知修复的方法。

结合上下文信息能够产生更高质量的合成视图。上下文信息划定了相应像素在输入图像中位置的邻域，因此点云中的每个点都可以利用上下文信息来进行扩展。

具体而言，第一步，是进行颜色和深度图像修复，以从不完整的渲染中恢复出完整的新视图，其中每个像素都包含颜色，深度和上下文信息。

而后，利用图像修复深度，将图像修复颜色映射到点云中新的色调点。

重复这一过程，直到点云充分扩展，填补空隙，可以实时地呈现完整且连续的画面。

“用过都说好”

研究人员觉得好，那不算好。新方法效果如何，还是用户说了算。

于是，研究团队搞出了一个“非正式用户调研”。他们在YouTube上搜集了30个人类创造的3D Ken Burns视频，将其分成“风景”，“肖像”，“室内”，“人造室外环境”四组，每组随机抽取三个视频作为样本。

8位志愿者参与到了这个测试之中。团队为每个志愿者分配了一张静态图，并提供了人类作品作为参考，要求志愿者使用新方法和Adobe After Effects模板、移动App Viewmee这两种Ken Burns制作工具创作类似的效果。

志愿者会依据自己的主观意见评价每种工具的可用性和质量。

在志愿者们看来，不论是从效果上，还是易用性上，Adobe的这个新工具显然好得多。

来自Adobe的实习生（现已转Google）

这项研究的第一作者，是一名波特兰州立大学的博士生，名为Simon Niklaus，研究方向为计算机视觉与深度学习。

他在Adobe Research实习的时候完成了这项工作，目前他正在Google实习。

他的博士生导师，名为Feng Liu，博士毕业于威斯康辛大学麦迪逊分校，现在是波特兰州立大学的助理教授，也是这一研究的做作者之一。

此外，这项研究还有另外两名作者，分别是Long Mai和Jimei Yang，都是Adobe的研究科学家。

Simon Niklaus在Hacker News上与网友互动时也谈到了研究的开源计划。

他说，自己计划公布代码以及数据集，但还没有得到批准。因为这项工作是“实习生”完成的， Adobe在开源方面都比较大度。

当然，这也无法排除他们商业化的可能性，如果你对这一研究感兴趣，可以先看下研究论文：

3D Ken Burns Effect from a Single Image

https://arxiv.org/abs/1909.05483

One more thing……

关于Ken Burns Effect，也有一段乔布斯的往事。

为了将这一特效用到苹果中，乔布斯还专程联系了Ken Burns，希望能够得到他的许可。

一开始，Burns是拒绝的，他不想自己的名字被商业化。

但后来，Burns透露，他同意了乔布斯的请求。

这中间到底发生了什么，也没有太多信息传递出来。

现在，这一效应在iPhone中应用非常广泛，比如照片的“回忆”功能，就能够自动利用这一特效，把一张张照片制作成视频。

这也给Burns带来了很多“麻烦”。

他说，有时候自己走在街上，会有陌生人冲到他面前，说自己如何在iPhone上使用它，或者是问他问题。

对于这种情况，他说自己都是尽力快速逃离现场。跟明星遇上私生饭差不多。

emmm……