Adobe實習(xí)生的智能景深算法：2D圖片3秒變立體，變換視角流暢自然
本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。
你離礁石越來越近，仿佛還有一秒就要觸礁了。
不過這張動圖，并不是從人類拍攝的視頻里截下來的。
是Adobe放出的新魔法，把這張靜態(tài)照片變出了立體感，整個過程只需要2-3秒：
頂級期刊">這種特效處理，常常用于紀(jì)錄片等視頻的后期制作，名為Ken Burns Effect。
原本只是2D縮放 (下圖左) ，通過對靜止圖像的平移和縮放，來產(chǎn)生視差，從而實現(xiàn)動畫效果。
頂級期刊">但Adobe這種3D效果 (上圖右) ，不僅有平移和縮放，還有視角轉(zhuǎn)換，給人更沉浸的體驗。
想要實現(xiàn)，需要專業(yè)的設(shè)計師在Photoshop等軟件中花費數(shù)個小時時間。
而且制作成本也很高，一張照片大概需要40-50美元 (約合人民幣280-350元) 。
Adobe也登上了ACM主辦的計算機(jī)圖形學(xué)頂級期刊TOG，引發(fā)了大量討論與關(guān)注。不乏有激動的網(wǎng)友給出“三連”：
Incredible. Amazing. Holy shit.
完全不是簡單的縮放
透視原理決定，前景比背景的移動/縮放更劇烈。
所以，前景移動的時候，背景除了移動，也要跟著修復(fù)。
AI的背景修復(fù)十分自然，手法明顯比“前輩”更高超：
頂級期刊">
△形狀有點奇怪的教堂
并且，不論背景簡單復(fù)雜，AI都不怕。
比如，走到沙發(fā)跟前，沙發(fā)就擋住了后面窗戶外的草地：
頂級期刊">背景的色彩和結(jié)構(gòu)都很復(fù)雜，但AI并沒有蒙蔽。
如果你覺得，剛才的視角變化只是由遠(yuǎn)及近，不夠復(fù)雜。那就看一眼這古老的臺階吧：
頂級期刊">仿佛你打算走上臺階，所以正在朝著它的方向，慢慢轉(zhuǎn)身。
除此之外，一條古老的走廊，你置身其中，好像正在從上仰的視角，變得平視前方。
頂級期刊">當(dāng)然，不只是風(fēng)景，人像也可以處理。
比如，草地上的新娘，可以遠(yuǎn)觀，也可以近距離欣賞：
頂級期刊">就像開頭說的那樣，所有的變換，只靠一張靜態(tài)圖來完成。
這自然不是普通的縮放可以做到的：
頂級期刊">
△ 左為普通縮放，右為3D魔法
所以，究竟是怎樣的技術(shù)做到的？
三步定邊界，結(jié)合上下文感知
用單個圖像合成逼真的相機(jī)移動的效果要解決兩個基本問題。
首先，要設(shè)置一個新的相機(jī)位置，合成新視圖，并且需要準(zhǔn)確地恢復(fù)原始視圖的場景幾何結(jié)構(gòu)。
其次，根據(jù)預(yù)測的場景幾何結(jié)構(gòu)，要將新視圖在連續(xù)的時間線上合成，這就涉及到去遮擋這樣的圖像修復(fù)手段。
頂級期刊">研究人員們用了三個神經(jīng)網(wǎng)絡(luò)來構(gòu)建處理框架。
用以訓(xùn)練的數(shù)據(jù)集是用計算機(jī)生成的。研究人員從UE4 Marketplace2收集了32種虛擬環(huán)境，用虛擬攝像機(jī)在32個環(huán)境中捕獲了134041個場景，包括室內(nèi)場景，城市場景，鄉(xiāng)村場景和自然場景。每個場景包含4個視圖，每個視圖都包含分辨率為512×512像素的顏色、深度和法線貼圖。
頂級期刊">指定一張高分辨率圖像，首先根據(jù)其低分辨率版本估計粗糙深度。這一步由VGG-19來實現(xiàn)，根據(jù)VGG-19提取的語義信息指導(dǎo)深度估計網(wǎng)絡(luò)的訓(xùn)練，并用具有g(shù)round truth的計算機(jī)合成數(shù)據(jù)集進(jìn)行監(jiān)督。如此，就能提取出原始圖像的深度圖。
第二個網(wǎng)絡(luò)，是Mask R-CNN。為了避免語義失真，平行于VGG-19，用Mask R-CNN對輸入的高分辨率圖像進(jìn)行分割，而后用分割的結(jié)果來對深度圖進(jìn)行調(diào)整，以確保圖中的每個對象都映射到一個相干平面上。
最后，利用深度細(xì)化網(wǎng)絡(luò)，參考輸入的高分辨率圖像，對提取出的粗糙深度進(jìn)行上采樣，確保深度邊界更加精確。
頂級期刊">之所以要采用深度細(xì)化網(wǎng)絡(luò)，是因為裁切對象的過程中，對象很可能在邊界處被撕開。
有了從輸入圖像獲得的點云和深度圖（注：點云指通過3D掃描得到的物品外觀表面的點數(shù)據(jù)集合），就可以渲染連續(xù)的新視圖了。
不過，這里又會出現(xiàn)一個新的問題——當(dāng)虛擬攝像機(jī)向前移動的時候，對象本身會產(chǎn)生裂隙（下圖中高塔右側(cè)像被網(wǎng)格切開了）。
頂級期刊">為了解決這個問題，研究人員采取了結(jié)合上下文感知修復(fù)的方法。
結(jié)合上下文信息能夠產(chǎn)生更高質(zhì)量的合成視圖。上下文信息劃定了相應(yīng)像素在輸入圖像中位置的鄰域，因此點云中的每個點都可以利用上下文信息來進(jìn)行擴(kuò)展。
具體而言，第一步，是進(jìn)行顏色和深度圖像修復(fù)，以從不完整的渲染中恢復(fù)出完整的新視圖，其中每個像素都包含顏色，深度和上下文信息。
而后，利用圖像修復(fù)深度，將圖像修復(fù)顏色映射到點云中新的色調(diào)點。
重復(fù)這一過程，直到點云充分?jǐn)U展，填補(bǔ)空隙，可以實時地呈現(xiàn)完整且連續(xù)的畫面。
頂級期刊">“用過都說好”
研究人員覺得好，那不算好。新方法效果如何，還是用戶說了算。
于是，研究團(tuán)隊搞出了一個“非正式用戶調(diào)研”。他們在YouTube上搜集了30個人類創(chuàng)造的3D Ken Burns視頻，將其分成“風(fēng)景”，“肖像”，“室內(nèi)”，“人造室外環(huán)境”四組，每組隨機(jī)抽取三個視頻作為樣本。
8位志愿者參與到了這個測試之中。團(tuán)隊為每個志愿者分配了一張靜態(tài)圖，并提供了人類作品作為參考，要求志愿者使用新方法和Adobe After Effects模板、移動App Viewmee這兩種Ken Burns制作工具創(chuàng)作類似的效果。
志愿者會依據(jù)自己的主觀意見評價每種工具的可用性和質(zhì)量。
頂級期刊">在志愿者們看來，不論是從效果上，還是易用性上，Adobe的這個新工具顯然好得多。
來自Adobe的實習(xí)生（現(xiàn)已轉(zhuǎn)Google）
這項研究的第一作者，是一名波特蘭州立大學(xué)的博士生，名為Simon Niklaus，研究方向為計算機(jī)視覺與深度學(xué)習(xí)。
他在Adobe Research實習(xí)的時候完成了這項工作，目前他正在Google實習(xí)。
頂級期刊">他的博士生導(dǎo)師，名為Feng Liu，博士畢業(yè)于威斯康辛大學(xué)麥迪遜分校，現(xiàn)在是波特蘭州立大學(xué)的助理教授，也是這一研究的做作者之一。
此外，這項研究還有另外兩名作者，分別是Long Mai和Jimei Yang，都是Adobe的研究科學(xué)家。
頂級期刊">Simon Niklaus在Hacker News上與網(wǎng)友互動時也談到了研究的開源計劃。
他說，自己計劃公布代碼以及數(shù)據(jù)集，但還沒有得到批準(zhǔn)。因為這項工作是“實習(xí)生”完成的， Adobe在開源方面都比較大度。
當(dāng)然，這也無法排除他們商業(yè)化的可能性，如果你對這一研究感興趣，可以先看下研究論文：
3D Ken Burns Effect from a Single Image
https://arxiv.org/abs/1909.05483
One more thing……
關(guān)于Ken Burns Effect，也有一段喬布斯的往事。
為了將這一特效用到蘋果中，喬布斯還專程聯(lián)系了Ken Burns，希望能夠得到他的許可。
一開始，Burns是拒絕的，他不想自己的名字被商業(yè)化。
但后來，Burns透露，他同意了喬布斯的請求。
這中間到底發(fā)生了什么，也沒有太多信息傳遞出來。
現(xiàn)在，這一效應(yīng)在iPhone中應(yīng)用非常廣泛，比如照片的“回憶”功能，就能夠自動利用這一特效，把一張張照片制作成視頻。
這也給Burns帶來了很多“麻煩”。
他說，有時候自己走在街上，會有陌生人沖到他面前，說自己如何在iPhone上使用它，或者是問他問題。
對于這種情況，他說自己都是盡力快速逃離現(xiàn)場。跟明星遇上私生飯差不多。
emmm……
