谁有毛片网址,91色porny,人妻中文字幕一区二区三区,无码精品一区二区三区在线,国产成人精品123区免费视频,网红操逼,四虎婷婷,无码人妻一区二区三区

新智元報(bào)道

來源：Google AI

編輯：LRS

【新智元導(dǎo)讀】你是否還在受視頻P圖不能分割主體的苦？是否還在被人說P圖不真實(shí)，影子都沒有？谷歌在CVPR 2021發(fā)布的omnimatte將徹底解決你的煩惱，只需一鍵操作，視頻立刻分為背景和前景主體，影子水花都能摳，多個(gè)蒙版，視頻想怎么P就怎么P！

圖像和視頻編輯操作通常依賴于精確的蒙版（matte）操作，即分離前景和背景并能夠合成圖像。

雖然最新的計(jì)算機(jī)視覺技術(shù)可以為自然圖像和視頻生成高質(zhì)量的蒙版，允許合成景深、編輯和合成圖像，或者從圖像中移除背景等應(yīng)用場景。

但最基本的核心邏輯目前CV技術(shù)仍無法做到：也就是被遮蓋或添加的物體可能在新圖像中有新的場景效果，例如陰影、鏡面反射或煙霧，這些通常都沒有被添加到合成圖像中。

這也是PS圖片合成和鑒別中特別需要注意的，不然就會(huì)被人說P圖太假了。

Google在CVPR 2021上發(fā)表了一篇文章，主要描述了一種新的蒙版生成方法omnimatte，能夠利用分層神經(jīng)渲染技術(shù)（layered neural rendering）將視頻分層，能夠把包括主體在內(nèi)的所有環(huán)境交互的效果都給提取出來。

https://ai.googleblog.com/2021/08/introducing-omnimattes-new-approach-to.html

一般的分割模型只能夠提取場景中的主體的mask，例如，一個(gè)人和一條狗，但Google提出的方法可以分離和提取與主體相關(guān)的其他細(xì)節(jié)，包括投射在地面上的陰影。

與分割遮罩（segmentation masks）不同的是，omnimatte能夠捕捉部分透明的柔和效果，比如反射、飛濺或輪胎煙霧。與傳統(tǒng)蒙版一樣，omnimatte是 RGBA 圖像，包括一個(gè)alpha 通道。

omnimatte可以在大部分圖像或視頻編輯工具進(jìn)行操作，并且可以在任何使用傳統(tǒng)蒙版的地方使用，例如，將文本插入視頻中的煙跡下，效果真是牛。

為了生成omnimatte，首先將輸入的視頻分成一組層: 每一個(gè)層用于一個(gè)移動(dòng)的主體或是用于靜止的背景物體。例如下圖中可以看到，有一個(gè)圖層用于人，一個(gè)圖層用于狗，還有一個(gè)圖層用于背景，當(dāng)合并在一起使用傳統(tǒng)的阿爾法混合方法，這些層可以重新合成這個(gè)輸入視頻。

除了能夠重新合成視頻，層分解必須能夠在每一層捕獲正確的效果。例如，如果人的陰影出現(xiàn)在狗的圖層中，合并后的圖層雖然仍然能夠重新合成輸入視頻，但是在人和狗之間插入一個(gè)額外的元素會(huì)產(chǎn)生一個(gè)明顯的錯(cuò)誤。

所以這個(gè)難點(diǎn)在于找到一個(gè)分解的地方，其中每個(gè)主體的層只捕捉主體的效果，從而才能產(chǎn)生一個(gè)真正的omnimatte。

解決方案是應(yīng)用Google 先前開發(fā)的分層神經(jīng)渲染方法來訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)分割模板來將主體的分割遮罩和背景噪聲圖像映射到一個(gè)omnimatte圖像中。

由于 CNN 的結(jié)構(gòu)，它們很自然地傾向于學(xué)習(xí)圖像效果之間的相關(guān)性，而且效果之間的相關(guān)性越強(qiáng)，CNN 就越容易學(xué)習(xí)。

例如在上面的視頻中，人和他們的影子之間的空間關(guān)系，以及狗和它的影子之間的空間關(guān)系，在他們從右向左走的過程中保持相似。人和狗的影子或者狗和人的影子之間的關(guān)系變化更大(因此，相關(guān)性更弱)。CNN 首先學(xué)習(xí)更強(qiáng)的相關(guān)性，然后才能正確地分解層。

在預(yù)處理中，用戶選擇主體并為每個(gè)主體指定一個(gè)層。使用現(xiàn)成的分割網(wǎng)絡(luò)(如 MaskRCNN)提取每個(gè)主體的分割遮罩，并使用標(biāo)準(zhǔn)的攝像機(jī)穩(wěn)定工具找到相對(duì)于背景的攝像機(jī)轉(zhuǎn)換。

在背景參考幀中定義隨機(jī)噪聲圖像，并利用攝像機(jī)變換進(jìn)行采樣，生成每幀噪聲圖像。噪聲圖像提供是隨機(jī)但一致的圖像特征，隨著時(shí)間的推移，能夠?yàn)?CNN 學(xué)習(xí)重建背景顏色提供一個(gè)自然的輸入。

渲染的 CNN 采用分割遮罩和每幀噪聲圖像作為輸入，生成 RGB 彩色圖像和 alpha 圖像，用來捕獲每一層的透明度。這些輸出通過傳統(tǒng)的 alpha 混合來產(chǎn)生輸出幀。

CNN 從隨機(jī)初始化權(quán)重開始訓(xùn)練，通過尋找并關(guān)聯(lián)蒙版中未捕捉到的效果(例如陰影、反射或煙霧)與給定的前景層來重建輸入幀，并確保主體的 alpha 大致包括分割蒙版。為了確保前景層只捕獲前景元素而不捕獲靜止背景元素，在前景層 alpha 上也應(yīng)用了稀疏損失（sparsity loss）。

并且還需要為每個(gè)視頻訓(xùn)練一個(gè)新的渲染網(wǎng)絡(luò)。由于網(wǎng)絡(luò)只需要重建單一的輸入視頻，除了分離每個(gè)主體的影響,它還能夠捕捉精細(xì)結(jié)構(gòu)和快速運(yùn)動(dòng)。例如在步行的圖片中，omnimatte能夠捕獲包括投射在公園長椅板條上的影子。

在網(wǎng)球的例子，網(wǎng)球的的小陰影，甚至網(wǎng)球都能夠被捕獲。

在足球的例子中，運(yùn)動(dòng)員和球的陰影被分解為合適的層，但是當(dāng)運(yùn)動(dòng)員的腳被球擋住時(shí)有一個(gè)小的錯(cuò)誤。

這個(gè)基本模型已經(jīng)能夠運(yùn)行的非常666了，但是還可以通過增加 CNN 的輸入來改進(jìn)結(jié)果，例如增加額外的緩沖區(qū)，如光流或紋理坐標(biāo)等。

omnimate的應(yīng)用場景也很多，例如可以刪除指定的主體，只需從合成中刪除他們的層，也可以復(fù)制某個(gè)物體，也只需要在合成中復(fù)制它們的圖層即可。

下圖演示了如何刪除和復(fù)制主體，視頻已經(jīng)被分解為一個(gè)omnimatte，并且馬被復(fù)制了幾次以產(chǎn)生頻閃攝影效果，并且可以看到馬投射在地面和障礙物上的陰影能夠被正確捕捉。

一個(gè)更強(qiáng)大的應(yīng)用場景是重新計(jì)時(shí)（retime）這個(gè)主體。時(shí)間操縱在電影中被廣泛使用，但是通常需要為每個(gè)主體單獨(dú)拍攝，并且有一個(gè)可控制的拍攝環(huán)境。

通過對(duì)omnimatte的分解，僅僅通過獨(dú)立地改變每一層的播放速率，就可以使日常視頻產(chǎn)生重定時(shí)效果。

由于omnimatte是標(biāo)準(zhǔn)的 RGBA 圖像，這種重新定時(shí)編輯可以使用傳統(tǒng)的視頻編輯軟件。

例如下面的三個(gè)主體被分解為三個(gè)層，通過簡單地調(diào)整圖層的回放速度，這些小孩兒最初的不同步的跳躍就能對(duì)齊，并且從水花的濺落和反射中也看不出修改的痕跡。

最后依然是道德性的說明，Google 提醒研究人員應(yīng)該意識(shí)到即使是簡單的重新排列也能顯著改變視頻的效果，并且研究人員應(yīng)該對(duì)任何操作圖像的技術(shù)的可能應(yīng)用場景負(fù)責(zé)，因?yàn)樗赡鼙粸E用來產(chǎn)生虛假和誤導(dǎo)性的信息。

omnimate目前的工作也還有改進(jìn)空間，例如它要求相機(jī)的位置是固定的，并且系統(tǒng)只支持可以被建模為全景的背景。當(dāng)攝像機(jī)位置移動(dòng)時(shí)，全景模型不能準(zhǔn)確捕捉整個(gè)背景，一些背景元素可能會(huì)打亂前景層的提取。

如果要處理通用的相機(jī)運(yùn)動(dòng)，如走過一個(gè)房間或街道，則需要一個(gè)3 d 背景模型。在運(yùn)動(dòng)物體和運(yùn)動(dòng)效果下重建三維場景仍然是一個(gè)困難的研究挑戰(zhàn)。

并且理論上CNN學(xué)習(xí)相關(guān)性的能力是強(qiáng)大的，但仍然不可解釋，某些應(yīng)該能分解出來的層卻無法分解，雖然現(xiàn)在能夠人工編輯抽取，但最好的方法還是好好解決CNN的問題，提升模型。

參考資料：

https://ai.googleblog.com/2021/08/introducing-omnimattes-new-approach-to.html

国产秋霞理论久久久电影-婷婷色九月综合激情丁香-欧美在线观看乱妇视频-精品国avA久久久久久久-国产乱码精品一区二区三区亚洲人-欧美熟妇一区二区三区蜜桃视频

視頻也能PS！谷歌CVPR 2021發(fā)布史上最強(qiáng)視頻P圖模型omnimatte

新智元報(bào)道