杨净 发自 凹非寺

量子位 报道 | 公众号 QbitAI

如何更顺滑的添加水印？

谷歌的这项新技术，让文本简直就像贴在地面上，哪怕是在沙尘横飞的场景里。

方法也很简单。

只需输入一段视频，和指定对象的粗略蒙版。

那这个对象的所有相关场景元素，都能解锁！

比如人和狗的影子。

还有黑天鹅缓缓拂过的涟漪~

以及上述那个赛车疾驰过后激起的沙尘。

不管是任意对象和主体，不论怎么移动，所有元素都能抠出来。

这就是谷歌最新的视频分层技术——omnimatte，入选CVPR 2021 Oral。

目前这项技术都已开源。

如何实现

计算机视觉在分割图像或视频中的对象方面越来越有效，然而与对象相关的场景效果。

比如阴影、反射、产生的烟雾等场景效果常常被忽略。

而识别这些场景效果，对提高AI的视觉理解很重要，那谷歌这项新技术又是如何实现的呢？

简单来说，用分层神经网络渲染方法自监督训练CNN，来将主体与背景图像分割开来。

由于CNN的特有结构，会有倾向性地学习图像效果之间的相关性，且相关性却强，CNN越容易学习。

输入一段有移动物体的视频，以及一个或者多个标记主体的粗略分割蒙版。

首先，使用现成的分割网络比如Mask RCNN，来讲这些主体分成多个遮罩层和背景噪声图层，并按照某种规则进行排序。

比如，在一个骑手、一辆自行车以及几个路人的场景中，就会把骑手和自行车归入一个层，把人群归入第二层。

omnimatte模型是一个二维UNet，逐帧处理视频。每一帧都用现成的技术来计算物体掩码，来标记运动中的主体，并寻找和关联蒙版中未捕捉到的效果，比如阴影、反射或者烟雾，重建输入帧。

为了保证其他静止的背景元素不被捕获，研究人员引入了稀疏损失。

此外，还计算了视频中每一帧和连续帧之间的密集光流场，为网络提供与该层对象相关的流信息。

最终生成Alpha图像（不透明度图）和RGBA彩色图像，尤其RGBA图像，简直可以说是视频/图像剪辑法宝！

目前这一技术已经开源，配置环境如下：

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

有什么用途

技术效果如此，那有什么样的用途呢？

首先就可以复制或者删除图像。

还有顺滑地切换背景。

还可以实现这一经典操作，让原本依次掉水的小孩一起入水~

背后的团队

最后再来说一下背后的团队。

这项研究由谷歌研究院、牛津大学以及魏茨曼科学研究所共同完成。

其中，论文一作是牛津大学四年级博士生Erika Lu，曾是谷歌实习生，在麻省理工学院获得了计算机科学与工程学士学位。

论文链接：
https://arxiv.org/pdf/2105.06993.pdf

参考链接：
https://ai.googleblog.com/2021/08/introducing-omnimattes-new-approach-to.html
https://github.com/erikalu/omnimatte
https://omnimatte.github.io/
https://erikalu.com/