你的二次元老婆 被AI变成了暗黑系
鱼羊 萧箫 发自 凹非寺
现在，AI对光影的理解越来越深入了。
不仅能自动给二次元萌妹的线稿上色，绘制出合理的光影变化。
反向操作，提取图片中的纹理和光影也不在话下。
大师级作品、或是摄影海报，只需要拿过来「扫描」一下，就能分解出纯色层、阴影层和反射层。
这下，想要调整图片的纹理和光影，再也不用苦恼没有psd、图层被合并了。
这只全新AI的一作，还是那位打造了火遍二次元圈的自动线稿上色AI Style2Paints 的Lvmin Zhang小哥。
抠掉多余的像素
分解图像最需要解决的问题，就是图像平滑，它能让图像变得更模糊，但与此同时，调节光影、纹理也变得更容易。
而图像平滑的核心问题，可以被理解成估计图像中的像素是否被需要。
图像平滑
换种说法，图像平滑要解决的最大问题，是在图像去噪和外观保留这两者之间，找一个平衡点。
也就是说，与锐化相反，平滑既要最大程度上保留图像的本质，又希望能消除图像的噪音。
下图就是经过平滑处理的一张图像。可以看见，即使平滑处理后的图像变得模糊不清，我们依稀能辨认出这是一片海。
那么，平滑图像究竟有什么用？
看，调节色温方便多了，让图中的天和海从蓝变绿再变紫，看起来都不是问题。
此外，图像平滑也是图像处理中纹理去除、材料处理、重新着色、层提取等操作的基本处理步骤。
那么，如何让一个AI实现图像平滑呢？
研究者发现，对图像中物体的部分外观进行「擦除」（手动消除部分噪声），似乎能给图像平滑带来更好的效果。
如果你是一个PS大神，那么，选择图像中该擦除的部位肯定不是难事。
然而，AI它并不会PS…这就需要人为制定一些「规则」，告诉AI，哪些像素应该被擦除。
这里又回到了开头提到的，图像平滑的本质：在图像去噪和外观保留二者之间，找寻一个平衡点。
说白了，就是估计图像中哪些像素是需要的，哪些是可以被「擦除」的。
作者将这一步骤称之为擦除外观保留（Erasing Appearance Preservation ，EAP）。
这里就涉及到一个像素选择的算法，作者制作了一个0-1背包，将它解决了。
0-1背包问题
这个问题在像素中的场景描述如下：如何选择这个位置的像素值，使图像平滑效果最好？
把这个位置比作一个背包（knapsack），像素值就是填入背包中的选项。而最好的像素值，就是能刚好填满背包的最优解。
如下图，用最快的速度，计算哪些部分的像素是必需保留的，能最大程度上还原图像特征。
但如果让计算机用穷举法列举出算法，效率就会很慢。
0-1背包问题，旨在用最少的步骤，列出每一步的最优解，并不断与新结果进行对比。
这个算法的核心思想在于，子问题的最优解，同样可以用于解决母问题。
这样，既能保留图像的纹理结构，又能让图像最大程度上模糊化。
归根结底，0-1背包的思想在于，一个像素值的最优解，同样可以被用于解决像素块最优解的问题。
这个算法，比暴力堆叠算力，穷举像素最优解的方法快多了。
如果用伪代码简单呈现的话，算法的步骤是这样的：
这一算法基于Matlab实现。作者表示，由于Python的稀疏优化比较捉急，目前没能把EAP迁移到Python中。
与人类水平相当
研究人员将L0和L1两种平滑方式的结果，与专业人士的处理结果进行了比较。
结果显示，在擦除位置的选择上，AI的操作与专家的选择相似，并且平滑结果与专家的处理结果表现相当。
而消融实验的结果显示：
（1）在原来的L1平滑中使用极端lambda(10.0)，不使用EAP，这会导致图像结构被破坏。
（2）重复原L1平滑多次（10次，与EAP配置相同），不使用EAP，这会导致低饱和度和低对比度伪影出现。
（3）在EAP方案中，不使用背包权重wp，而是给背包的值设定一个固定的阈值（0.1），所有高于这个阈值的像素都会被视作擦除位置。这会导致图像被压缩成少数几种颜色。
（4）在EAP方案中，用常数（1.0）代替所有背包权重wp。这将导致所有不想要的图案仍在最终结果中被保留。
（5）在EAP方案中，不使用knapsak值vp，而是给背包的权重设定一个固定的阈值（0.1），所有低于这个阈值的像素都会被视作擦除位置。这会导致图像中所有明显的构件都被消除。
（6）在EAP方案中，用常数（1.0）代替所有背包值vp。这使得突出的构件得以保留，但原有的结构会被破坏。
另外，使用PSNR（峰值信噪比）指标，对几种不同的平滑方法进行对比。结果表明，基于EAP的方法PSNR值明显高于其他方法，也就是说，实现了更彻底的纹理分解。
应用场景
看到这样的AI能力，你想到要在哪些场景中应用它了吗？
作者也举了几个例子。
比如，轻松实现纹理替换。
比如，给图片调光影、调颜色。
就有网友表示：这不就是我一直想要的那种AI嘛！
也有网友联想到了火爆二次元圈的那只上色AI Style2Paints。
鹅妹子嘤，所以这项技术会用到Style2Paints V5中吗？
