คู่มือ AI แบบเห็นภาพ
การปูรูปภาพ
การจัดวางภาพเป็นศิลปะในการตัดวัตถุออกจากภาพถ่ายด้วยขอบกึ่งโปร่งใสที่สมบูรณ์แบบทุกพิกเซล โดยจับภาพเส้นผมเส้นเล็กทุกเส้นหรือภาพเบลอจากการเคลื่อนไหว
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
Unlike simple segmentation, it estimates how much of each pixel belongs to the foreground.
เจาะลึก
การ Matting จะช่วยแก้สมการคอมโพสิต: แต่ละพิกเซลที่สังเกตได้นั้นเป็นการผสมผสานระหว่างสีพื้นหน้าและสีพื้นหลัง โดยผสมกันด้วยค่าอัลฟ่าระหว่าง 0 ถึง 1 เป้าหมายคือการกู้คืนสีด้านอัลฟ่านั้น ซึ่งเป็นซอฟต์มาสก์โดยที่ 1 อยู่เบื้องหน้าทั้งหมด 0 เป็นพื้นหลังทั้งหมด และค่าเศษส่วนจะจับบริเวณที่คลุมเครือหรือโปร่งแสง นี่เป็นการกำหนดไว้ต่ำกว่าความเป็นจริงทางคณิตศาสตร์ ดังนั้นวิธีการแบบคลาสสิกจึงอาศัยการตัดแต่งแผนที่โดยผู้ใช้เพื่อทำเครื่องหมายเบื้องหน้าที่ชัดเจน พื้นหลังที่แน่นอน และโซนที่ไม่รู้จัก แนวทางการเรียนรู้เชิงลึก เช่น Deep Image Matting (2017) เรียนรู้ที่จะทำนายอัลฟ่าโดยตรงจากรูปภาพและการตัดขอบ ในขณะที่โมเดลใหม่ๆ ที่ไม่มีการตัดแต่งภาพ เช่น MODNet และ Robust Video Matting จะประเมินด้านแบบเรียลไทม์จากฟีดแนวตั้งหรือเว็บแคมเพียงอย่างเดียว
การใช้งานจริงในโลกแห่งความเป็นจริง
พื้นหลังเสมือนจริงในการประชุมทางวิดีโอ แทนที่ห้องด้านหลังลำโพงแบบเรียลไทม์
การผสมผสานระหว่างภาพยนตร์และโทรทัศน์กับจอเขียว ดึงนักแสดงที่มีขอบผมที่สะอาดสำหรับ VFX
ภาพถ่ายสินค้าอีคอมเมิร์ซ วางสินค้าบนพื้นหลังสีขาวสะอาดโดยอัตโนมัติ
โหมดแนวตั้งและการสร้างสติกเกอร์ในแอปโทรศัพท์ ช่วยลดผู้คนในการแชร์ผ่านโซเชียล
อนาคตของการปูภาพ
Matting กำลังมุ่งสู่การทำงานอัตโนมัติเต็มรูปแบบแบบเรียลไทม์และไม่มีการตัดต่อวิดีโอ ซึ่งช่วยเปลี่ยนพื้นหลังในแฮงเอาท์วิดีโออยู่แล้ว การวิจัยกำลังผลักดันให้มีความละเอียดสูงขึ้น การจัดการกับความโปร่งใสที่ซับซ้อน เช่น แก้วและควันได้ดีขึ้น และการผสานรวมที่แน่นแฟ้นยิ่งขึ้นกับโมเดลที่สร้างขึ้นสำหรับการปรับแสงใหม่และการผสมผสานที่ไร้รอยต่อ คาดว่าการปูจะรวมเข้ากับไปป์ไลน์การแก้ไขตามการแพร่กระจาย ดังนั้นการตัดวัตถุออกและวางลงในฉากใหม่ที่สอดคล้องกับแสงจะกลายเป็นขั้นตอนอัตโนมัติขั้นตอนเดียวบนอุปกรณ์ของผู้บริโภค
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Image Matting quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
What is Image Matting?
การจัดวางภาพเป็นศิลปะในการตัดวัตถุออกจากภาพถ่ายด้วยขอบกึ่งโปร่งใสที่สมบูรณ์แบบทุกพิกเซล โดยจับภาพเส้นผมเส้นเล็กทุกเส้นหรือภาพเบลอจากการเคลื่อนไหว แตกต่างจากการแบ่งส่วนแบบธรรมดาตรงที่จะประมาณจำนวนพิกเซลแต่ละพิกเซลที่อยู่เบื้องหน้า
อัลฟ่าแมตต์เป็นตัวแทนอะไรในการปรับภาพ?
Alpha คือความทึบต่อพิกเซล โดย 1 คือเบื้องหน้าแบบเต็ม 0 คือพื้นหลังแบบเต็ม และเศษส่วนจะจับบริเวณที่นุ่มนวลหรือโปร่งใส
การปูโดยพื้นฐานแตกต่างจากการแบ่งส่วนแบบไบนารีอย่างไร
การแบ่งส่วนจะทำให้มีป้ายกำกับพื้นหน้า/พื้นหลังที่ชัดเจน ในขณะที่การปูจะกู้คืนค่าอัลฟ่าที่ต่อเนื่องเพื่อให้ได้รายละเอียดที่ละเอียดและกึ่งโปร่งใส
Trimap ในการปูแบบคลาสสิกคืออะไร?
การตัดแบ่งพาร์ติชันรูปภาพเป็นพื้นหน้าที่รู้จัก พื้นหลังที่รู้จัก และแถบที่ไม่รู้จักซึ่งต้องแก้ไขอัลฟ่า
สิ่งที่โดดเด่นเกี่ยวกับโมเดลอย่าง MODNet และ Robust Video Matting?
เครือข่ายรุ่นใหม่เหล่านี้จะประมาณค่าอัลฟ่าแมตต์โดยตรงจากแนวตั้งหรือวิดีโอ โดยไม่จำเป็นต้องตัดแต่งภาพที่ผู้ใช้จัดเตรียมไว้
การสูญเสียใดที่มักรวมกับข้อผิดพลาดในการทำนายอัลฟ่าในการปูแบบลึก
การสูญเสียองค์ประกอบจะประกอบฉากหน้าและพื้นหลังอีกครั้งโดยใช้อัลฟ่าที่คาดการณ์ไว้ และเปรียบเทียบผลลัพธ์กับอินพุต เพื่อปรับปรุงความแม่นยำ
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้