原标题：照片随便拍，光影任意调，MIT谷歌新研究器材党看了会沉默
金磊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
在摄影这件事上，「光影」简直不要太重要。
毕竟大师们摄影作品，大多都是对「光」和「影」的拿捏。
△来自俄罗斯摄影师George Mayer
而最近，MIT 和谷歌等机构联手提出了一种用神经网络「打光」的新方法，大大降低了对「光影」拿捏的门槛——神经光线传输 （Nerual Light Transport，NLT）。
例如下图所示，只要拍好人物照片，无论背景如何转换，都可以相应的调节人物身上的「光影」。
去背景后的「AI 打光」效果更加明显。
还有这样的。
虽说「打光」效果是出来了，但这画风…有点像阴间的东西了。
言归正传，继续聊聊 NLT 这项技术。
NLT——拿捏光线的一把好手
光线传输（LT）可以描述一个场景中，物体在不同光照和方向下所呈现出来的样子。
而完整地了解一个场景的 LT，还可以实现任意光照下的新视图合成。
于是，MIT 和谷歌的研究人员基于图像 LT 采集（以人体为主），提出了一种半参数的深度学习框架，来学习 LT 的神经表示，名曰NLT。
总体而言，NLT 可以单独或同时完成以下两项任务：
用定向光或HDRI图，重新照亮场景的光线真实性。
合成具有视图依赖性效果的新视图。
来看下 NLT 在不同任务下的效果。
首先是「定向重打光」 （Directional Relighting）。
可以看到人物在光线的变化下，阴影、高亮的变化非常自然。
接下来，是基于「背景图的重打光」 （Image-Based Relighting）。
从背景图中，大致可以判断光源（太阳）的方向，而随着背景图的转动，人物身上的阴影也会随之发生改变。
最后，是「视图合成+同步光源」 （View Synthesis & Simultaneous）。
除了视觉效果惊艳之外，从定性角度来看，NLT 方法也取得了不错的效果。
例如，在「重打光」（Redlighting）任务中，与其它基线方法相比，在 PSNR 和 SSIM 两个指标中都取得了最先进的结果。
同样，在「视图合成」任务中，NLT 的结果也是相当不错。
那么，NLT 具体是如何实现这般效果的呢？
NLT模型：「查询」、「观测」两步走
NLT 的模型网络主要由2条路径构成，分别是查询路径 （Query Path）和观测路径 （Observation Path）。
「观测路径」将附近的 K 个观测值作为输入，在目标光和观察方向周围采样，并将它们编码成多尺度特征，汇集起来用来消除对其顺序和数量的依赖。
接下来，这些汇集起来的特征将被连接到 「查询路径 」的特征激活上。
这条路径将所需的光线和观察方向，以及物理上精确的 disue base 作为输入。
「查询路径」预测了一个残差图，该残差图被添加到diuse base上，用来产生纹理渲染。
最后，通过将深度神经网络嵌入到UV纹理空间中，便可以合成与可见光线和观看角度对应的纹理空间RGB图像。
华人小哥一作
这项研究的第一作者，是来自MIT的博士生，张修明。
张修明目前在 MIT 计算机科学与人工智能实验室（CSAIL），从事计算机视觉和计算机图形学领域的工作，尤其对重光照、视图合成和材料建模感兴趣。
另一位主要作者是Sean Fanello。
Sean Fanello是一名研究科学家，也是谷歌的经理，在谷歌领导容量性能捕获方面的工作。
研究兴趣主要包括数字人类、体积重建、高质量的深度传感和非刚性跟踪。
最后，项目将在近日开源，感兴趣的朋友持续关注下方参考链接中的信息更新。
参考链接：
http://nlt.csail.mit.edu/
