与机器学习的致密和颜色分级

2021-04-07 00:40:58

连续性可能是对通过不同天气条件困扰的射击的挑战,例如,在那里的拾取镜头在明亮的阳光下,但核心镜头是在云层的均匀层下拍摄的。

最便宜的,也许是最臭名昭着的'夜间'旧电影的任何观众熟悉的镜头正在改变处理时间的F-STOP设置,以过度暴露电影,并从广阔的日光拍摄的材料中产生一个黑暗和阴沉的效果 - 被称为'夜晚' [1]。

目前已将神经网络带来问题。 2019年,谷歌主导的学术合作提出了一种新颖的神经网络,实现了急诊过程,尽管结果并不完全令人信服[2]。

2020年,在亚马逊,Adobe和马里兰州大学之间的另一个合作开发了一种能够在大约1024x1024的肖像上工作的发职算法 - 这是图像合成空间的漂亮高清,至少在此刻。

谷歌正在进行其他研究[3]在这一领域,并建立了一个名为Google Light级的专用捕获钻机,以帮助生成计算机学习架构的数据集,能够在不同的照明设置之间翻译面部对象。

从2020年出口到Max Planck智能系统研究所,以及与EPIC Games合作,表明了一个端到端的着色架构,在光级捕获上训练,即能够使用富达的阴影复制阴影。研究人员认为这项工作是第一个从强光来源实现现实方向阴影的作品。

它的早期追求它 - 这种特殊追求的早期 - 即使是在包括可靠的阴影的观点上也是一个雄心勃勃的机器学习挑战,而且在光阶段的大多数研究中心捕获而不是高概念的计算机视觉方法。

NVIDIA' S VID2VID架构可以说是能够更加令人信服的工作,尽管在较低的分辨率和比人类脸部和形式不那么具有挑战性的主题。

2017年纸张无监督的图像到图像到图像翻译网络以及附带视频(下面)展示了神经网络对彻底赖化镜头的潜在力量,甚至改变了所采用的季节。

Colorlab.ai目前使用机器学习来为其分级工作流供电,在寻求蒸馏到感知的数据集上的数据集培训,并声称[5]能够在传统时间的一小部分中为项目开发适用的分级模型。

ColorLab' S神经网络甚至可以在其上导入参考图像,分析和培训,然后将其推断式应用于镜头。

该公司由专业着色主义Dado Valentic创立,他决定从基于云的方法枢转,并在Covid-19的出现之后将项目搬到家庭用途。

使用OpenML和Metal 2,报告最终用户实现,以实际上在MacBook Pro上运行更快,而不是专业级定制硬件。

ColorLab为Avid AAF,切线面板,Arri Raw,Nobe Omniscope和越来越多的主要套餐提供支持以及越来越多的数字和导入整合。

[1]电影剧提示:为什么“夜晚的日子”是一个可怕的想法 - Caleb病房,高级击败,2015年9月29日。https://www.premiumbeat.com/blog/cinematography-tip- why-day-for--6 -is-a-horrible-idea / [2]单图像肖像致敬 - Siggraph 2019 - Yun-Ta Tsai,Youtube,2019年5月3日。研究人员开发了一个可以在事实后'封锁'肖像的AI - DL Cade,Petapixel, 2019年7月16日。肖像灯:增强肖像照明与机器学习 - Yun-Ta Tsai和Rohit Pandey,Google Bantey,2020年12月11日。Https://ai.googleblog.com/2020/12/portRitt-light- 增强-posts.html [4]在Google照片中的一个新的,更多有用的编辑 - Zachary Senzer,Google Blog,2020年9月30日。[5] https://nofilmschool.com/ai-comes-filmmaking-colourlab [6] https ://colourlab.ai/colourlab-ai/#RoadMap.