視頻剪輯培訓(xùn)課程哪家教得好？火星時(shí)代是一所專注于數(shù)字藝術(shù)教育的培訓(xùn)機(jī)構(gòu)，主要是培養(yǎng)影視制作、游戲制作、室內(nèi)設(shè)計(jì)、ui設(shè)計(jì)、互聯(lián)網(wǎng)程序開發(fā)等行業(yè)專精人才?；鹦菚r(shí)代的教學(xué)是由北京總部統(tǒng)一切屏教學(xué)，再由分校區(qū)老師進(jìn)行教學(xué)與輔導(dǎo)，這樣一來，也是為了增加教學(xué)內(nèi)容的統(tǒng)一性，可以說無論是在哪個(gè)校區(qū)學(xué)習(xí)，都是一樣的。

(資料圖片僅供參考)

AI修圖，好像最早是PS推出的一個(gè)功能：內(nèi)容感知。后來NVIDIA研究人員開發(fā)了一個(gè)更厲害的軟件演示，可以說“一鍵修圖”。在圖上把不需要的物體只要抹一下，算法就會(huì)自動(dòng)填補(bǔ)抹掉物體空白處，而且融合還相當(dāng)可以。視頻一鍵Roto真實(shí)現(xiàn)了？一起來看今天這篇技術(shù)解析！

很多小伙伴說，這只是圖片，如果是視頻那才真正的厲害。如果有這樣的技術(shù)，Roto工作效率會(huì)大大提高。哎？這次真的來了。研究人員本著“只要你敢想，我就給你研發(fā)原則”真的做出來了。來，看動(dòng)圖！

這里要強(qiáng)調(diào)的是不僅僅扣除了人還要包括陰影區(qū)域，而且輪廓也要從鏡頭中消失?？匆娚蠄D了么？就是這么Niubility！讓我們看看其他一些例子。

如果單獨(dú)修復(fù)一張圖，這遠(yuǎn)遠(yuǎn)不是研究人員的追求，所以要換成視頻也必須看起來非常完美才可以。

可是因?yàn)闀r(shí)間連貫性的要求，視頻的處理是非常的難。針對這個(gè)問題自弗吉尼亞大學(xué)和Facebook的研究團(tuán)隊(duì)四位大佬Chen Gao, Ayush Saraf, Jia-Bin Huang和Johannes Kopf發(fā)表了一篇論文《Flow-edge Guided Video Completion》翻譯過來應(yīng)該是《光流邊緣引導(dǎo)視頻算法》。

論文介紹是這樣說的：

“我們提出了一個(gè)新的基于光流的視頻修復(fù)算法。之前的光流修復(fù)算法通常無法保持運(yùn)動(dòng)邊界的銳度。我們的方法首先提取并完成運(yùn)動(dòng)邊緣，然后利用運(yùn)動(dòng)邊緣來引導(dǎo)具有銳邊的分段光滑流補(bǔ)全?，F(xiàn)有的方法在相鄰幀之間的局部光流連接之間傳播色彩。然而，并不是視頻中所有缺失的區(qū)域都可以用這種方法進(jìn)行恢復(fù)，因?yàn)檫\(yùn)動(dòng)的邊界形成了不可逾越的障礙。我們的方法通過相隔較遠(yuǎn)的幀之間的全局光流(non-local flow)連接減輕了這個(gè)問題，允許在運(yùn)動(dòng)邊界上傳播視頻內(nèi)容。我們在DAVIS數(shù)據(jù)集驗(yàn)證了我們的方法，視覺和定量結(jié)果都表明，我們的方法優(yōu)于最先進(jìn)的算法?！?/p>

實(shí)現(xiàn)方法概述：

那過程到底是如實(shí)現(xiàn)的呢？喏，都在下面這張模型圖里了。

過程大致是這樣的：首先，輸入一個(gè)要修復(fù)的視頻和一個(gè)二進(jìn)制掩碼視頻，大概意思就是要告訴算法哪些部分需要合成。

然后算法開始計(jì)算正向和反向流以及一組非相鄰幀，補(bǔ)全這些流場中的缺失區(qū)域。

紅線部分是神經(jīng)網(wǎng)絡(luò)自己補(bǔ)充出來的邊緣

接著用流邊緣來引導(dǎo)視頻中被水印/人物擋住的缺失區(qū)域的修復(fù)。

完事后，沿著流的軌跡為每個(gè)丟失像素傳播一組候選像素。從鏈接前向和后向的流向量得到兩個(gè)候選點(diǎn)，直到到達(dá)一個(gè)已知像素。

上圖中，綠色區(qū)域代表缺失部分；黃色、橙色和棕色線分別代表：第一個(gè)非局部幀、當(dāng)前幀和第三個(gè)非局部幀的掃描線。

通過跟蹤流動(dòng)軌跡（黑色虛線）達(dá)到缺失區(qū)域的邊緣，可以獲得圖中藍(lán)色像素的局部候選對象。但由于人腿部運(yùn)動(dòng)形成的流動(dòng)遮擋，計(jì)算紅色像素點(diǎn)的候選像素就有些困難了。這里研究人員引入非相鄰幀的非局部光流后，紅色像素點(diǎn)就得到了額外的非局部領(lǐng)域（黃線和棕線上的紅色像素點(diǎn)），然后就還原了被腿部遮擋的真實(shí)背景。

然后，再在梯度域中，使用置信加權(quán)平均值（A Confidence-weighted Average）將每個(gè)缺失像素的候選像素與有效候選像素進(jìn)行融合以便重建顏色。

最后將整個(gè)過程不斷迭代，并將結(jié)果傳播到視頻的其余部分，直到?jīng)]有缺失像素為止。

是不是驚呆了？這樣的技術(shù)如果能應(yīng)用在我們CG行業(yè)的Roto上簡直瘋狂的不要不要的，效率得提高多少??！希望這個(gè)技術(shù)能盡快應(yīng)用到實(shí)際項(xiàng)目中，哈哈，就不用一幀一幀摳圖啦！