53 帧变 900 帧，华为黑科技 AI 亮相：不用昂贵的高速摄像机也能制作慢镜头

要制作慢动作视频就必须要用死贵的高速摄像机？

NO! 可以用 AI。

看到没，这就是 AI 完成的效果！

虽然和真正的高速摄像机至少上千的帧数没法比，但它完全可以做到每秒 53 帧的视频轻轻松松变成 960 帧，没有伪影也没有噪声。

很多网友看完效果都按耐不住了："非常想要一个深入的教程"、"能不能出一个应用程序？"……

而这项酷毙的研究成果也成功入选 CVPR 2021，研究人员来自华为苏黎世研究中心和苏黎世大学。

当然，也用了一个特殊的摄像头

实现这一效果没有采用通过视频光流来猜测粒子运动的经典思想，而是先用了两个摄像头来捕捉画面。

一个就是普通摄像头，记录低帧（20-60FPS）真实画面；

要想达到慢动作效果，起码得每秒 300 张画面才够；20 帧的视频给的信息太少了，没法直接合成慢动作。

怎么办？靠另一个特殊的摄像头 --

也就是事件相机（也称为神经形态相机），它使用新型的传感器，拍摄的是"事件"，也就是记录像素亮度变化。

事件相机还比较新兴，实验室里有很多，市场上还没有大规模问世，报价有 2000 美元一个或更高。

由于该相机记录的信息经过压缩表示，因此可以较低的清晰度、高速率进行拍摄，也就是牺牲图像质量换取更多图像信息。

最终的信息量足够 AI 理解粒子的运动，方便后续插值。

▲ 问号部分即为我们要的插帧

这俩相机同步拍摄到的内容合起来就是这样的：

拍好以后，就可以使用机器学习来最大化地利用这两种相机的信息进行插帧了。

研究人员在这里提出的 AI 模型叫做 Time Lens，一共分为四块。

首先，将俩相机拍到的帧信息和事件信息发送到前两个模块：基于变形（warp）的插值模块和合成插值模块。

基于变形的插值模块利用 U 形网络将运动转换为光流表示，然后将事件转换成真实的帧。

合成插值模块也是利用 U 形网络将事件置于两个帧之间，并直接为每个事件生成一个新的可能帧（现在就为同一事件生成两个帧了）。

该模块可以很好地处理帧之间出现的新对象以及光线变化（比如水反射啥的）。

不过到这里的话，合成的视频可能会有一个问题：出现噪声。

这时，第三个模块的作用就派上用场了，它使用第二个插值合成模块中的新信息来细化第一个模块。

也就是提取同一事件的两个生成帧中最有价值的信息，进行变形优化 -- 再次使用 U-net 网络生成事件的第三个帧版本。

最后，这三个候选帧被输入到一个基于注意力的平均模块。

该模块采用三帧表示中最好的部分将它们组成最终帧。

现在，有了帧之间第一个事件的高清帧后，再对事件相机提供的所有事件重复此过程，就能生成最终我们想要的结果了。

这就是使用 AI 创建逼真的慢动作视频的方法。怎么样？

附一个摄像机的参数图：

取得了智能手机和其他模型无法达到的效果

你说这个 AI 模型的效果好，那得对比一下才知道。

比如上面这个与最优秀的插值模型之一的 DAIN（入选 CVPR 19）的对比，谁好谁坏效果就很明显了。

而且它的插值方法的计算复杂度也是最优的：图像分辨率为 640×480，在研究人员的 GPU 上进行单个插值时，DAIN 模型需要 878 毫秒，该 AI 则只需要 138 毫秒。

另外，虽然不建议，用该模型输入的视频即使只有 5 帧，也可以生成慢动作。

和其他模型的对比实验数据，大家感兴趣的可以查看论文。

最后，作者在介绍成果的视频里也再次说道，不和昂贵的专业设备相比，该模型至少取得了智能手机和其他模型无法达到的效果。

作者介绍

一作 Stepan Tulyakov，华为苏黎世研究中心机器学习研究员。

共同一作 Daniel Gehrig，苏黎世大学博士生。苏黎世联邦理工大学机械工程硕士。

论文地址：

http://rpg.ifi.uzh.ch/docs/CVPR21_Gehrig.pdf

开源地址：

https://github.com/uzh-rpg/rpg_timelens