照片你隨便拍，「光影」我任意調，MIT谷歌新研究，器材黨老法師看了會沉默
「打光」新方法：神經光線傳輸
金磊 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
在攝影這件事上，「光影」簡直不要太重要。
畢竟大師們攝影作品，大多都是對「光」和「影」的拿捏。
△來自俄羅斯攝影師George Mayer
而最近，MIT 和谷歌等機構聯手提出了一種用神經網絡「打光」的新方法，大大降低了對「光影」拿捏的門檻——神經光線傳輸?（Nerual Light Transport，NLT）。
例如下圖所示，只要拍好人物照片，無論背景如何轉換，都可以相應的調節人物身上的「光影」。
去背景后的「AI 打光」效果更加明顯。
還有這樣的。
雖說「打光」效果是出來了，但這畫風…有點像陰間的東西了。
言歸正傳，繼續聊聊 NLT 這項技術。
NLT——拿捏光線的一把好手
光線傳輸（LT）可以描述一個場景中，物體在不同光照和方向下所呈現出來的樣子。
而完整地了解一個場景的 LT，還可以實現任意光照下的新視圖合成。
于是，MIT 和谷歌的研究人員基于圖像 LT 采集（以人體為主），提出了一種半參數的深度學習框架，來學習 LT 的神經表示，名曰NLT。
總體而言，NLT 可以單獨或同時完成以下兩項任務：
- 用定向光或HDRI圖，重新照亮場景的光線真實性。
- 合成具有視圖依賴性效果的新視圖。
來看下 NLT 在不同任務下的效果。
首先是「定向重打光」?（Directional Relighting）。
可以看到人物在光線的變化下，陰影、高亮的變化非常自然。
接下來，是基于「背景圖的重打光」?（Image-Based Relighting）。
從背景圖中，大致可以判斷光源（太陽）的方向，而隨著背景圖的轉動，人物身上的陰影也會隨之發生改變。
最后，是「視圖合成+同步光源」?（View Synthesis & Simultaneous）。
除了視覺效果驚艷之外，從定性角度來看，NLT 方法也取得了不錯的效果。
例如，在「重打光」（Redlighting）任務中，與其它基線方法相比，在 PSNR 和 SSIM 兩個指標中都取得了最先進的結果。
同樣，在「視圖合成」任務中，NLT 的結果也是相當不錯。
那么，NLT 具體是如何實現這般效果的呢？
NLT模型：「查詢」、「觀測」兩步走
NLT 的模型網絡主要由2條路徑構成，分別是查詢路徑?（Query Path）和觀測路徑?（Observation Path）。
「觀測路徑」將附近的 K 個觀測值作為輸入，在目標光和觀察方向周圍采樣，并將它們編碼成多尺度特征，匯集起來用來消除對其順序和數量的依賴。
接下來，這些匯集起來的特征將被連接到 「查詢路徑 」的特征激活上。
這條路徑將所需的光線和觀察方向，以及物理上精確的 disue base 作為輸入。
「查詢路徑」預測了一個殘差圖，該殘差圖被添加到diuse base上，用來產生紋理渲染。
最后，通過將深度神經網絡嵌入到UV紋理空間中，便可以合成與可見光線和觀看角度對應的紋理空間RGB圖像。
華人小哥一作
這項研究的第一作者，是來自MIT的博士生，張修明。
張修明目前在 MIT 計算機科學與人工智能實驗室（CSAIL），從事計算機視覺和計算機圖形學領域的工作，尤其對重光照、視圖合成和材料建模感興趣。
另一位主要作者是Sean Fanello。
Sean Fanello是一名研究科學家，也是谷歌的經理，在谷歌領導容量性能捕獲方面的工作。
研究興趣主要包括數字人類、體積重建、高質量的深度傳感和非剛性跟蹤。
最后，項目將在近日開源，感興趣的朋友持續關注下方參考鏈接中的信息更新。
參考鏈接：
http://nlt.csail.mit.edu/
- 商湯Seko上線一個月，超10萬創作者選擇它2025-09-29
- 戴爾 x OpenCSG，推出?向智能初創企業的?體化 IT 基礎架構解決方案2025-12-10
- 看完最新國產AI寫的公眾號文章，我慌了！2025-12-08
- 共推空天領域智能化升級！趨境科技與金航數碼強強聯手2025-12-09
