【全民学科技】黑科技来了！2D图片3秒变立体，视角流畅自然！

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。

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。

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：

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。

内容来源：量子位（ID：QbitAI）

编辑排版：爱游汇团队