Video Matting：AI視頻摳圖
點擊上方“機器學習與生成對抗網(wǎng)絡(luò)”，關(guān)注星標
獲取有趣、好玩的前沿干貨！
魚羊 明敏 發(fā)自 凹非寺 量子位 報道 | 公眾號 QbitAI
看這一頭蓬松的秀發(fā)，加上帥氣的動作，你以為是在綠幕前拍大片？
No、No、No
這其實是AI拿來視頻實時摳圖后的效果。
沒想到吧，實時視頻摳圖，現(xiàn)在能精細到每一根發(fā)絲。
換到alpha通道再看一眼，不用多說，德芙打錢吧（手動狗頭）。
這就是來自字節(jié)跳動實習生小哥的最新研究：實時高分辨率視頻摳圖大法。
無需任何輔助輸入，把視頻丟給這個名為RVM的AI，它分分鐘就能幫你把人像高精度摳出，將背景替換成可以任意二次加工的綠幕。
不信有這么絲滑？我們用線上Demo親自嘗試了一波。
相比之下，現(xiàn)在在線會議軟件里的摳圖，一旦頭發(fā)遮住臉，人就會消失……
頭發(fā)絲更是明顯糊了。
難怪看得網(wǎng)友直言：
不敢想象你們把這只AI塞進手機里的樣子。
目前，這篇論文已經(jīng)入選WACV 2022。
你也可以上手一試
目前，RVM已經(jīng)在GitHub上開源，并給出了兩種試玩途徑：
于是我們也趕緊上手試了試。
先來看看效果：
首先來點難度低的。
對于這種人物在畫面中基本不移動的情況，RVM可以說是表現(xiàn)的非常好，和人工摳圖幾乎無差別。
現(xiàn)在，王冰冰進入動森都毫不違和了。
于是開腦洞，也變得簡單了許多……
咳咳，言歸正傳。人物動作幅度加大會怎樣呢？
對于多人舞蹈視頻而言，RVM的表現(xiàn)也很nice。
即便動來動去、頭發(fā)亂甩，也沒有影響它的摳圖效果。
只有在人物出現(xiàn)遮擋的情況下，才會出現(xiàn)瑕疵。
對比前輩方法MODNet，確實有不小的進步。
不過我們也發(fā)現(xiàn)，如果視頻的背景較暗，就會影響RVM的發(fā)揮。
比如在這種背景光線昏暗的情況下，摳圖的效果就非常不盡人意了。
可以看到，博主老哥的頭發(fā)完全糊了。
而且身體的邊界線也不夠清晰。
所以，如果你想自己拍視頻試玩，就一定要選擇光線充足的場景。
利用時間信息
那么這樣的“魔法”，具體又是如何實現(xiàn)的？
照例，我們先來扒一扒論文~
實際上，有關(guān)視頻摳圖的算法如今已不鮮見，其中大多數(shù)采用的是將視頻中的每一幀作為獨立圖像來實現(xiàn)摳圖的方法。
不同與此，在這篇論文中，研究人員構(gòu)建了一個循環(huán)架構(gòu)，利用上了視頻的時間信息，在時間一致性和摳圖質(zhì)量上取得了明顯改進。
從上圖中可以看出，RVM的網(wǎng)絡(luò)架構(gòu)包括3個部分：
特征提取編碼器，用來提取單幀特征；
循環(huán)解碼器，用于匯總時間信息；
深度引導濾波（DGF）模塊，用于高分辨率上采樣。
其中，循環(huán)機制的引入使得AI能夠在連續(xù)的視頻流中自我學習，從而了解到哪些信息需要保留，哪些信息可以遺忘掉。
具體而言，循環(huán)解碼器采用了多尺度ConvGRU來聚合時間信息。其定義如下：
在這個編碼器-解碼器網(wǎng)絡(luò)中，AI會完成對高分辨率視頻的下采樣，然后再使用DGF對結(jié)果進行上采樣。
除此之外，研究人員還提出了一種新的訓練策略：同時使用摳圖和語義分割目標數(shù)據(jù)集來訓練網(wǎng)絡(luò)。
這樣做到好處在于：
首先，人像摳圖與人像分割任務(wù)密切相關(guān)，AI必須學會從語義上理解場景，才能在定位人物主體方面具備魯棒性。
其次，現(xiàn)有的大部分摳圖數(shù)據(jù)集只提供真實的alpha通道和前景信息，所以必須對背景圖像進行合成。但前景和背景的光照往往不同，這就影響了合成的效果。語義分割數(shù)據(jù)集的引入可以有效防止過擬合。
最后，語義分割數(shù)據(jù)集擁有更為豐富的訓練數(shù)據(jù)。
經(jīng)過這一番調(diào)教之后，RVM和前輩們比起來，有怎樣的改進？
從效果對比中就可以明顯感受到了：
另外，與MODNet相比，RVM更輕更快。
從下面這張表格中可以看出，在1080p視頻上RVM的處理速度是最快的，在512×288上比BGMv2略慢，在4K視頻上則比帶FGF的MODNet慢一點。研究人員分析，這是因為RVM除了alpha通道外還預(yù)判了前景。
更直觀的數(shù)據(jù)是，在英偉達GTX 1080Ti上，RVM能以76FPS的速度處理4K視頻，以104FPS的速度處理HD視頻。
一作字節(jié)跳動實習生
這篇論文是一作林山川在字節(jié)跳動實習期間完成的。
他本科、碩士均畢業(yè)于華盛頓大學，曾先后在Adobe、Facebook等大廠實習。
2021年3月-6月，林山川在字節(jié)跳動實習。8月剛剛?cè)肼毼④洝?/p>
事實上，林山川此前就曾憑借AI摳圖大法拿下CVPR 2021最佳學生論文榮譽獎。
他以一作身份發(fā)表論文《Real-Time High-Resolution Background Matting》，提出了Background Matting V2方法。
這一方法能夠以30FPS的速度處理4K視頻，以60FPS的速度處理HD視頻。
值得一提的是，Background Matting這一系列方法不止一次中了CVPR。此前，第一代Background Matting就被CVPR 2020收錄。
兩次論文的通訊作者都是華盛頓大學副教授Ira Kemelmacher-Shlizerman，她的研究方向為計算機視覺、計算機圖形、AR/VR等。
此外，本次論文的二作為Linjie Yang，他是字節(jié)跳動的研究科學家。本科畢業(yè)于清華大學，在香港中文大學獲得博士學位。
對了，除了能在Colab上試用之外，你也可以在網(wǎng)頁版上實時感受一下這只AI的效果，地址拿好：
https://peterl1n.github.io/RobustVideoMatting/#/demo
GitHub地址：
https://github.com/PeterL1n/RobustVideoMatting
論文地址：
https://arxiv.org/abs/2108.11515
參考鏈接：
https://www.reddit.com/r/MachineLearning/comments/pdbpmg/r_robust_highresolution_video_matting_with/
— 完 —
猜您喜歡：
等你著陸！【GAN生成對抗網(wǎng)絡(luò)】知識星球！
CVPR 2021 | GAN的說話人驅(qū)動、3D人臉論文匯總
CVPR 2021 | 圖像轉(zhuǎn)換 今如何？幾篇GAN論文
CVPR 2021生成對抗網(wǎng)絡(luò)GAN部分論文匯總
最新最全20篇！基于 StyleGAN 改進或應(yīng)用相關(guān)論文
附下載 | 經(jīng)典《Think Python》中文版
附下載 |《TensorFlow 2.0 深度學習算法實戰(zhàn)》