谷歌最新視頻摳圖術(shù)：影子煙霧都能摳，添加水印更順滑，UP主剪輯利器 | 開源
可重構(gòu)時序?qū)崿F(xiàn)分身
楊凈 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
如何更順滑的添加水??？
谷歌的這項新技術(shù)，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(guān)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(shù)——omnimatte，入選CVPR 2021 Oral。
目前這項技術(shù)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(guān)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(shù)又是如何實現(xiàn)的呢？
簡單來說，用分層神經(jīng)網(wǎng)絡(luò)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(guān)性，且相關(guān)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(luò)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(shù)來計算物體掩碼，來標記運動中的主體，并尋找和關(guān)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(luò)提供與該層對象相關(guān)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(shù)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(shù)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
參考鏈接：
https://ai.googleblog.com/2021/08/introducing-omnimattes-new-approach-to.html
https://github.com/erikalu/omnimatte
https://omnimatte.github.io/
https://erikalu.com/
- 英偉達最新芯片B30A曝光2025-08-20
- AI應(yīng)用如何落地政企？首先不要卷通用大模型2025-08-12
- 本科必學Dijkstra算法被超越！清華段然團隊打破圖靈獎得主證明的普遍最優(yōu)性2025-08-09
- 智能體邁入L4 時代！納米AI多智能體蜂群，可創(chuàng)作最長10分鐘AI視頻2025-08-06
