真的买一个算法发送手机！

事实并非如此。谷歌为“真子”Pixel提供了6项福利待遇，让手机垫子的细节触手可及。

看看这个效果，原来毛茸茸的头发轮廓，哟，变成了一个美好的外观！

甚至头发之间的间隙也可以精确地拉长。

因此这避免了在纵向模式下拍照时角色和虚拟背景之间的分离，并使角色照片的纵向深度更真实。

四舍五入。这不是手持式单反相机吗？（手动狗头）

Alphamask+监督学习

在介绍最新的方法之前，让我们来看看过去手机的肖像模式是如何实现的。

传统的方法是使用二进制分割图像，然后虚拟化分离的背景，在视觉上产生深度感，从而更突出人物的主题。

虽然视觉效果非常明显，但细节表现不够强烈。

因此，谷歌将电影制作和摄影中常用的阿尔法蒙版移到了手机上，并提出了一种新的神经网络，名为“Por轨迹匹配”。

主干网是mobilenetv3。

这是一个轻量级网络，具有参数少、计算量小、推理时间短的特点。这在OCR、YoloV3和其他任务中非常常见。具体结构如下：

在推理中，PZhangZiyi特征匹配首先以RGB图像和低分辨率alphamask作为输入，并使用mobilenetv3预测高分辨率alphamask。

然后，使用浅网络和一系列剩余块来进一步提高alpha掩模的精细度。

其中，浅层网络更依赖于低层特征，可以获得高分辨率的结构特征，从而预测每个像素的alpha透明度。

通过这种方式，模型可以在初始输入时细化alpha遮罩，从而实现从上述细节到头发的遮光效果。or说or可以在谷歌的tetraflow网络上运行。

此外，当使用alpha遮罩消光时，过强的背光通常会导致细节处理不佳。

谷歌使用relightables（一种体积视频捕获方案）生成高质量的数据集。

这是谷歌在2019年提出的一个系统。它由一个带有331个可编程LED灯的球形框架和大约100个用于捕获音量视频的摄像头组成。

与一般的数据集相比，该方法可以将被摄对象的光照与背景匹配，从而呈现更真实的效果。

此外，该方法还可以满足人像放置在不同场景时光线变化的需要。

值得一提的是，谷歌在这种方法中也使用了监督学习的策略。

这是因为神经网络在matting中的精度和泛化能力有待提高，纯手工标注的工作量太大。

因此，研究人员使用标记数据集来训练神经网络，以提高模型在大量数据中的泛化能力。

我是or

使用算法优化摄影效果实际上是谷歌的传统艺术能力。

例如，在《Pixel4》中，该算法用于拍摄星空。

HDR+算法，更不用说，已经引起了激烈的公众辩论。

该功能可以在相机启动时连续拍摄图像，无需按下快门，并将缓存最后9张保存的图像。按下快门后，这些照片将与图像一起处理，以获得最佳图像。

同时，它还允许Pixel在夜间模式下拍照，而无需像其他手机一样长时间停留。

由于谷歌不依赖硬件来改善摄影效果，因此它还将这些功能集成到一个应用程序中，该应用程序适用于所有类型的Android手机。

感兴趣的合作伙伴可以去看看or分享他们的经验~

© 本文系原创，著作权归：芦虎导航官网。如需转载，请署名并注明出处：https://www.luhu.co/article/000000000014119.shtml