概述
這是 AI 步驟,將明顯的複製貼上轉變為可信的照片。
深入探討
合成將前景物件放置到不同的背景上;問題是插入的區域幾乎總是有不匹配的色溫、亮度、對比度和陰影,所以看起來很假。協調修復合成區域的外觀以匹配背景照明,而不改變其內容或結構。像 DoveNet 這樣的經典深度模型引入了 iHarmony4 基準,並使用了域驗證思想:將前景和背景視為不同的“域”,並將它們拉入一個域。較新的方法可以預測每個像素的顏色變換,使用變換器,甚至利用擴散來合成匹配的陰影和反射。邊界掩模準確地告訴模型要調整哪些像素。
現實世界的實施
讓電子商務廣告中的產品圖像在放到新背景時看起來自然明亮。
為「魔術橡皮擦」和生成填充工具提供支持,可在照片應用程式中無縫插入物件。
將綠幕演員融入虛擬佈景,使膚色與電影中的場景燈光相匹配。
虛擬試穿系統將衣服或家具的顏色與使用者的房間或照片照明相匹配。
圖像協調與合成的未來
協調與生成合成結合:擴散模型不僅可以重新著色插入的對象,還可以投射正確的陰影、添加反射並將其重新照亮到場景的光線方向。這正在成為消費者照片編輯器中的一鍵式功能,以及產生填充和虛擬試穿的核心部分。期望物理感知模型能夠推理光源和幾何形狀,以及在影片和 AR 的幀之間保持一致的視訊協調。
付諸實踐
為什麼這很重要
- 速度與規模. 視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
- 配裝選擇. 創意團隊可以透過更少的手動修改來更快地建立概念原型。
- 團隊與工作流程. 操作可以使用以前難以處理的影像和視訊訊號。
留意
- 如果出處不明,肖像權和同意可能會成為法律風險。
- 模型表現可能因光照、人口統計和環境的不同而有所不同。
- 除非監控置信閾值,否則誤報可能會被忽略。
後續步驟
- 定義精確度、召回率和錯誤成本的接受標準。
- 使用符合實際生產條件的數據進行測試。
- 為低置信度或高影響力的預測添加人工審核。
- 追蹤模型漂移並在相機或資料集變更後重新驗證。
不斷探索
常見問題
什麼是影像協調與合成?
影像協調會自動調整貼上的前景對象,使其顏色、燈光和色調與新背景相匹配,使合成影像看起來更真實。正是人工智慧步驟將明顯的剪下和貼上變成了可信的照片。
影像協調主要解決什麼問題?
協調調整前景的外觀,使其色彩和燈光適合背景。
除了合成影像之外,大多數協調模型還需要哪些額外輸入?
掩模準確地告訴模型哪些像素是需要調整的前景。
iHarmony4 基準測試與什麼有關?
iHarmony4 與 DoveNet 一起推出,是一個用於協調的標準資料集。
通常如何創建協調訓練對?
編輯真實影像中的區域顏色會產生不和諧的輸入以及作為基本事實的原始輸入。
為什麼許多有效的方法預測顏色變換而不是重新產生像素?
應用學習的顏色曲線可以保持原始紋理完整,而不是合成新像素。