这是何使 Adobe 放出的新技能  ，只需要几秒秒，软件就能让这张静态照片 get 立体感!

这种常用于纪录片等视频的图片后期制作的特效，名为 Ken Burns Effect 。秒变

它可绝对不是何使简单的缩放哦~我们一起来对比下看看：

左侧是常用的2D缩放 ，它通过对静止图像的软件平移和缩放来产生视差，实现了动画效果 。图片而右边 Adobe 这种 3D 效果不仅有平移和缩放 ，香港云服务器秒变还有视角转换，何使给人更真实和更沉浸的软件体验。

我们再来看下这个例子  ：左边是图片普通缩放，右边则是秒变3D魔法
。

我们都知道，何使透视原理决定了前景比背景的软件移动和缩放更剧烈。所以当前景移动时，图片背景除了移动也要跟着修复。通过对比我们会发现：Ken Burns Effect 的背景修复十分自然 ，手法明显比其它“前辈”更高级：

用户可以定义如何生成要缩放和平移的矩形，建站模板还可更改转换的持续时间和插值器，并暂停/恢复它们 。

即使处理的图片背景的色彩和结构复杂也不怕 ，比如像这样往前靠近沙发
，沙发会挡住后面窗户外的草地：

如果你觉得 ，刚才的视角变化只是由远及近 ，不够复杂。那就看一眼这条走廊吧 ，你仿佛正置身其中 
，就像在从上仰的源码库视角变得平视前方 。

再来看看这个：仿佛你打算走上台阶
，所以正在朝着它的方向 ，慢慢转身 。

除了风景之外 ，人像也不在话下 。比如草地上的新娘与伴娘团，伴随着画面由远及近和由近及远的运动，简直活灵活现好嘛~~

用单个图像合成逼真的相机移动的效果要解决两个基本问题。首先，要设置一个新的亿华云相机位置，合成新视图，并且需要准确地恢复原始视图的场景几何结构
。

其次 ，根据预测的场景几何结构，要将新视图在连续的时间线上合成，这就涉及到去遮挡这样的图像修复手段。

研究人员们用了三个神经网络来构建处理框架。

用以训练的数据集是用计算机生成的 。高防服务器研究人员从 UE4 Marketplace2 收集了32种虚拟环境，用虚拟摄像机在32个环境中捕获了134041个场景 ，包括室内场景 ，城市场景 ，乡村场景和自然场景 。

每个场景包含4个视图 ，每个视图都包含分辨率为512×512像素的颜色
、深度和贴图 。

指定一张高分辨率图像
，首先根据其低分辨率版本估计粗糙深度。这一步由 VGG-19来实现，根据它提取的语义信息指导深度估计网络的训练，并用具有ground truth 的源码下载计算机合成数据集进行监督
。这样就能提取出原始图像的深度图。

第二个网络是 Mask R-CNN 。为避免语义失真，平行于 VGG-19，用 Mask R-CNN 对输入的高分辨率图像进行分割，而后用分割的结果来对深度图进行调整
，以确保图中的每个对象都映射到一个相干平面上 。

最后利用深度细化网络，参考输入的高分辨率图像
，对提取出的粗糙深度进行上采样，确保深度边界更加精确。

之所以要采用深度细化网络 ，是因为裁切对象的过程中
，对象很可能在边界处被撕开
 。有了从输入图像获得的点云和深度图(点云指通过3D扫描得到的物品外观表面的点数据集合)，就可以渲染连续的新视图了 。

不过，这里又会出现一个新的问题——当虚拟摄像机向前移动的时候，对象本身会产生裂隙(下图中高塔右侧像被网格切开了)。

为了解决这个问题
，研究人员采取了结合上下文感知修复的方法。这么做能产生更高质量的合成视图。上下文信息划定了相应像素在输入图像中位置的邻域 ，因此点云中的每个点都可利用上下文信息来进行扩展。

具体而言 ，第一步是进行颜色和深度图像修复
，以从不完整的渲染中恢复出完整的新视图
，其中每个像素都包含颜色 ，深度和上下文信息
。然后利用图像修复深度将图像修复颜色映射到点云中新的色调点。

重复这一过程，直到点云充分扩展，填补空隙，可以实时地呈现完整且连续的画面。

129

为了验证这个新方法效果如何 ，研究团队搞了个“非正式用户调研”。他们在油管上找了30个人创造的 3D Ken Burns 视频，将其分成“风景”，“肖像” ，“室内” ，“人造室外环境”四组 ，每组随机抽取三个视频作为样本。

8位志愿者参与到了这个测试之中  。团队为每个志愿者分配了一张静态图 ，并提供了作品作为参考，要求他们使用新方法和 Adobe After Effects 模板、移动 App Viewmee 这两种 Ken Burns 制作工具创作类似的效果。

志愿者会依据自己的意见评价每种工具的可用性和质量。最后他们不论是从效果上 ，还是易用性上，Adobe 的这个新工具显然好得多。

这项研究的第一作者，是波特兰州立大学的博士生 Simon Niklaus，研究方向为计算机视觉与深度学习。他在 Adobe Research 实习时完成了这项工作，目前他正在Google实习。

他的博士生导师 Feng Liu 也是这一研究的作者之一
。这项研究还有另外两名作者 Long Mai 和 Jimei Yang，都是 Adobe 的研究科学家。

目前，Simon Niklaus 已经计划公布代码以及数据集 ，但还没有得到批准 。因为这项工作是“实习生”完成的， Adobe在开源方面都比较大度。当然，这也无法排除他们商业化的可能性。