（原標題：完美摳圖王冰冰！字節(jié)實習生開發(fā)的 AI，實現(xiàn) 4K60 幀視頻實時摳圖，連頭發(fā)絲都根根分明）
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，研究人員構建了一個循環(huán)架構，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)絡架構包括 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)絡中，AI 會完成對高分辨率視頻的下采樣，然后再使用 DGF 對結果進行上采樣。
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。
這樣做到好處在于：
首先，人像摳圖與人像分割任務密切相關，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 月剛剛入職微軟。
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/
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。