概述
正是人工智能步骤将明显的剪切和粘贴变成了可信的照片。
深入探讨
合成将前景对象放置到不同的背景上；问题是插入的区域几乎总是有不匹配的色温、亮度、对比度和阴影，所以看起来很假。协调修复合成区域的外观以匹配背景照明，而不改变其内容或结构。像 DoveNet 这样的经典深度模型引入了 iHarmony4 基准，并使用了域验证思想：将前景和背景视为不同的“域”，并将它们拉入一个域。较新的方法可以预测每个像素的颜色变换，使用变换器，甚至利用扩散来合成匹配的阴影和反射。边界掩模准确地告诉模型要调整哪些像素。
现实世界的实施
使电子商务广告中的产品图像在放到新背景上时看起来自然明亮。
为“魔术橡皮擦”和生成填充工具提供支持，可在照片应用程序中无缝插入对象。
将绿屏演员融入虚拟布景，使肤色与电影中的场景灯光相匹配。
虚拟试穿系统将衣服或家具的颜色与用户的房间或照片照明相匹配。
图像协调和合成的未来
协调与生成合成相结合：扩散模型不仅可以重新着色插入的对象，还可以投射正确的阴影、添加反射并将其重新照亮到场景的光线方向。这正在成为消费者照片编辑器中的一键式功能，以及生成填充和虚拟试穿的核心部分。期望物理感知模型能够推理光源和几何形状，以及在电影和 AR 的帧之间保持一致的视频协调。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
常见问题
什么是图像协调和合成？
图像协调会自动调整粘贴的前景对象，使其颜色、灯光和色调与新背景相匹配，使合成图像看起来更真实。正是人工智能步骤将明显的剪切和粘贴变成了可信的照片。
图像协调主要解决什么问题？
协调调整前景的外观，使其颜色和灯光适合背景。
除了合成图像之外，大多数协调模型还需要哪些额外输入？
掩模准确地告诉模型哪些像素是需要调整的前景。
iHarmony4 基准测试与什么相关？
iHarmony4 与 DoveNet 一起推出，是一个用于协调的标准数据集。
通常如何创建协调训练对？
编辑真实图像中的区域颜色会产生不和谐的输入以及作为基本事实的原始输入。
为什么许多有效的方法预测颜色变换而不是重新生成像素？
应用学习的颜色曲线可以保持原始纹理完整，而不是合成新像素。