金磊发自凹非寺
量子位报道公众号 QbitAI
在摄影这件事上，「光影」简直不要太重要。
毕竟大师们摄影作品，大多都是对「光」和「影」的拿捏。
△来自俄罗斯摄影师 George Mayer
而最近，MIT 和谷歌等机构联手提出了一种用神经网络「打光」的新方法，大大降低了对「光影」拿捏的门槛——神经光线传输 （Nerual Light Transport，NLT）。
例如下图所示，只要拍好人物照片，无论背景如何转换，都可以相应的调节人物身上的「光影」。
去背景后的「AI 打光」效果更加明显。
还有这样的。
虽说「打光」效果是出来了，但这画风…有点像阴间的东西了。
言归正传，继续聊聊 NLT 这项技术。
NLT——拿捏光线的一把好手
光线传输（LT）可以描述一个场景中，物体在不同光照和方向下所呈现出来的样子。
而完整地了解一个场景的 LT，还可以实现任意光照下的新视图合成。
于是，MIT 和谷歌的研究人员基于图像 LT 采集（以人体为主），提出了一种半参数的深度学习框架，来学习 LT 的神经表示，名曰NLT。
总体而言，NLT 可以单独或同时完成以下两项任务：
-
用定向光或 HDRI 图，重新照亮场景的光线真实性。
-
合成具有视图依赖性效果的新视图。
来看下 NLT 在不同任务下的效果。
首先是「定向重打光」 （Directional Relighting）。
可以看到人物在光线的变化下，阴影、高亮的变化非常自然。
接下来，是基于「背景图的重打光」 （Image-Based Relighting）。
从背景图中，大致可以判断光源（太阳）的方向，而随着背景图的转动，人物身上的阴影也会随之发生改变。
最后，是「视图合成+同步光源」 （View Synthesis & Simultaneous）。
除了视觉效果惊艳之外，从定性角度来看，NLT 方法也取得了不错的效果。
例如，在「重打光」（Redlighting）任务中，与其它基线方法相比，在 PSNR 和 SSIM 两个指标中都取得了最先进的结果。
同样，在「视图合成」任务中，NLT 的结果也是相当不错。
那么，NLT 具体是如何实现这般效果的呢？
NLT 模型：「查询」、「观测」两步走
NLT 的模型网络主要由 2 条路径构成，分别是查询路径 （Query Path）和观测路径 （Observation Path）。
「观测路径」将附近的 K 个观测值作为输入，在目标光和观察方向周围采样，并将它们编码成多尺度特征，汇集起来用来消除对其顺序和数量的依赖。
接下来，这些汇集起来的特征将被连接到 「查询路径 」的特征激活上。
这条路径将所需的光线和观察方向，以及物理上精确的 disue base 作为输入。
「查询路径」预测了一个残差图，该残差图被添加到 diuse base 上，用来产生纹理渲染。
最后，通过将深度神经网络嵌入到 UV 纹理空间中，便可以合成与可见光线和观看角度对应的纹理空间 RGB 图像。
华人小哥一作
这项研究的第一作者，是来自 MIT 的博士生，张修明。
张修明目前在 MIT 计算机科学与人工智能实验室（CSAIL），从事计算机视觉和计算机图形学领域的工作，尤其对重光照、视图合成和材料建模感兴趣。
另一位主要作者是 Sean Fanello。
Sean Fanello 是一名研究科学家，也是谷歌的经理，在谷歌领导容量性能捕获方面的工作。
研究兴趣主要包括数字人类、体积重建、高质量的深度传感和非刚性跟踪。
最后，项目将在近日开源，感兴趣的朋友持续关注下方参考链接中的信息更新。
参考链接：
http://nlt.csail.mit.edu/