沒有綠幕，AI也能完美視頻摳圖，發(fā)絲畢現(xiàn)，毫無違和感 | CVPR
魚羊 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
在陽臺上給小姐姐拍個視頻：
再把她P到噴泉廣場：
需要幾步？
現(xiàn)在，無需綠幕，AI 就能搞定這件事。
就像這樣，隨便用手機給小姐姐拍張照片，再在同一地點拍張不帶人像的背景圖。
深度神經(jīng)網(wǎng)絡就能自動分析出 alpha 遮罩和前景色，把小姐姐的發(fā)絲都摳得根根分明。
視頻也是如此。
讓憋著笑的同事在實驗室白板前表演一段廣播體操，再給背景板單獨來一張，就可以無中生有把同事“轉移”到大廳里，引來路人圍觀了。
這是來自華盛頓大學的一項最新研究，無需綠幕，無需手動創(chuàng)建 Trimap，一個具有對抗性損失的深度神經(jīng)網(wǎng)絡，就能準確預測遮罩，給照片和視頻摳圖。
論文已經(jīng)中了 CVPR 2020，代碼即將開源。
深度摳圖網(wǎng)絡 + 鑒別器網(wǎng)絡
那么，這樣的摳圖特技是如何煉成的？
研究人員表示，是具有對抗性損失的深度網(wǎng)絡 + 判斷合成質量的鑒別器。
深度摳圖網(wǎng)絡
研究人員先在 Adobe Matting 數(shù)據(jù)集中的非透明對象子集上對深度神經(jīng)網(wǎng)絡 G 進行了監(jiān)督訓練。
輸入是帶人像的照片 I 和照片中的背景 B’，以及人像軟分割 S 和 運動先驗 M（僅對視頻而言）。
需要注意的是，在真實環(huán)境中，B’ 是通過在真實背景的前景區(qū)域隨機加入噪聲而生成的。
依據(jù)輸入，網(wǎng)絡會預測出 alpha 遮罩 α 和前景圖像 F。
研究人員提出用背景切換塊（Context Switching block，CS block）來取代基于殘差塊的編碼器-解碼器。
有什么不同？
舉個例子，當人的一部分與背景相匹配的時候，網(wǎng)絡會將更多精力放在該區(qū)域的細分線索上。
G 網(wǎng)絡有四個不同的編碼器，分別適用于 I，B’，S 和 M 四種輸入。每個編碼器分別生成256個通道的特征圖。
通過 1×1 卷積，BatchNorm 和 ReLU，I 中的圖像特征分別與 B’，S 和 M 結合，每一對組合都會生成 64 通道特征。
最后，將這 3 個 64 通道特征與原始的 256 通道圖像特征組合在一起，生成編碼后的特征，并傳遞到由殘差塊和編碼器組成的其余網(wǎng)絡。
在未標記真實數(shù)據(jù)上的對抗訓練
CS block 和數(shù)據(jù)增強的結合，可以有效彌合真實圖像與 Adobe數(shù)據(jù)集創(chuàng)建的合成圖像之間的差距，但真實圖像中仍然有存在一些難點：
- 將手指、手臂、頭發(fā)周圍的背景痕跡復制到遮罩中；
- 分割失敗；
- 前景色的重要部分與背景顏色接近；
- 人像照片和背景照片之間沒有對準。
為了應對這些問題，研究人員還提出了一種自監(jiān)督方案，從未標記的真實數(shù)據(jù)（真實圖像 + 背景）中學習。
用深度摳圖網(wǎng)絡 G 的單獨副本 GReal 組成對抗網(wǎng)絡，對抗網(wǎng)絡會生成類似于 GAdobe 輸出的遮罩，而鑒別器網(wǎng)絡 D 會判別結果的真假。
研究人員使用真實輸入（手機拍攝）聯(lián)合訓練 GReal 和 D，并用 GAdobe 來提供監(jiān)督。
與SOTA方法的對比
研究人員將新方法與以下幾種 SOTA 方法進行了定性比較：
- 基于 Trimap 的 Context Aware Matting （CAM）和 Index Matting（IM）；
- 自動遮罩算法 Late Fusion Matting（LFM）；
不難看出，效果改進著實明顯。
你覺得怎么樣？不妨mark一下，坐等開源。
畢竟有些大膽的想法，可能已經(jīng)在醞釀了，是吧？
傳送門
項目地址：http://grail.cs.washington.edu/projects/background-matting/
— 完 —
相關閱讀
