[[421235]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

如何更順滑的添加水??？

谷歌的這項新技術，讓文本簡直就像貼在地面上，哪怕是在沙塵橫飛的場景里。

方法也很簡單。

只需輸入一段視頻，和指定對象的粗略蒙版。

那這個對象的所有相關場景元素，都能解鎖！

比如人和狗的影子。

還有黑天鵝緩緩拂過的漣漪~

以及上述那個賽車疾馳過后激起的沙塵。

不管是任意對象和主體，不論怎么移動，所有元素都能摳出來。

這就是谷歌最新的視頻分層技術——omnimatte，入選CVPR 2021 Oral。

目前這項技術都已開源。

如何實現(xiàn)

計算機視覺在分割圖像或視頻中的對象方面越來越有效，然而與對象相關的場景效果。

比如陰影、反射、產(chǎn)生的煙霧等場景效果常常被忽略。

而識別這些場景效果，對提高AI的視覺理解很重要，那谷歌這項新技術又是如何實現(xiàn)的呢？

簡單來說，用分層神經(jīng)網(wǎng)絡渲染方法自監(jiān)督訓練CNN，來將主體與背景圖像分割開來。

由于CNN的特有結(jié)構(gòu)，會有傾向性地學習圖像效果之間的相關性，且相關性卻強，CNN越容易學習。

輸入一段有移動物體的視頻，以及一個或者多個標記主體的粗略分割蒙版。

首先，使用現(xiàn)成的分割網(wǎng)絡比如Mask RCNN，來講這些主體分成多個遮罩層和背景噪聲圖層，并按照某種規(guī)則進行排序。

比如，在一個騎手、一輛自行車以及幾個路人的場景中，就會把騎手和自行車歸入一個層，把人群歸入第二層。

omnimatte模型是一個二維UNet，逐幀處理視頻。每一幀都用現(xiàn)成的技術來計算物體掩碼，來標記運動中的主體，并尋找和關聯(lián)蒙版中未捕捉到的效果，比如陰影、反射或者煙霧，重建輸入幀。

為了保證其他靜止的背景元素不被捕獲，研究人員引入了稀疏損失。

此外，還計算了視頻中每一幀和連續(xù)幀之間的密集光流場，為網(wǎng)絡提供與該層對象相關的流信息。

最終生成Alpha圖像（不透明度圖）和RGBA彩色圖像，尤其RGBA圖像，簡直可以說是視頻/圖像剪輯法寶！

目前這一技術已經(jīng)開源，配置環(huán)境如下：

• Linux
• Python 3.6+
• NVIDIA GPU + CUDA CuDNN

有什么用途

技術效果如此，那有什么樣的用途呢？

首先就可以復制或者刪除圖像。

還有順滑地切換背景。

還可以實現(xiàn)這一經(jīng)典操作，讓原本依次掉水的小孩一起入水~

背后的團隊

最后再來說一下背后的團隊。

這項研究由谷歌研究院、牛津大學以及魏茨曼科學研究所共同完成。

其中，論文一作是牛津大學四年級博士生Erika Lu，曾是谷歌實習生，在麻省理工學院獲得了計算機科學與工程學士學位。

論文鏈接：
https://arxiv.org/pdf/2105.06993.pdf