这是 Adobe 放出的新技能，只需要几秒秒，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后期制作的特效，名为 Ken Burns Effect。

它可绝对不是简单的缩放哦~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平移和缩放来产生视差，实现了动画效果。而右边 Adobe 这种 3D 效果不仅有平移和缩放，还有视角转换，给人更真实和更沉浸的体验。

我们再来看下这个例子：左边是普通缩放，右边则是3D魔法。

我们都知道，透视原理决定了前景比背景的移动和缩放更剧烈。所以当前景移动时，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，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。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。