谷歌最新视频抠图术：影子烟雾都能抠 还开源

　　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。

　　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！

　　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+

　　英伟达 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。