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：
形状有点奇怪的教堂
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：
左为普通缩放，右为 3D 魔法
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，并用具有地面真实深度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
