【计算摄影】先拍照后对焦，浅析基于深度估计的景深编辑与背景虚化

大家好，这是专栏《计算摄影》的第五篇文章，这一个专栏来自于计算机科学与摄影艺术的交叉学科。今天我们讨论的问题是关于深度估计和景深编辑。

                                            作者&编辑 | 言有三

1 景深与背景虚化基础

1.1 什么是景深与虚化

动植物摄影，人像摄影中常使用浅景深来虚化背景，突出目标主体，可以大幅提升作品的艺术美感。

当被摄物体位于镜头前方(焦点的前、后)一定长度的空间内时，其在底片上的成像位于同一个弥散圆之间，呈现给人眼的感觉就是成像清晰，这段空间的长度即为景深，也称DOF (Depth of Field)，当超过景深范围时，呈现渐渐模糊，景深范围示意图如下。

如果景深范围比较窄，很容易拍摄出主体成像清晰，背景成像模糊，即我们常说的背景虚化效果，下图展示的就是一些典型代表。

1.2 景深编辑

目前要想对拍摄后的照片进行精确的景深编辑，需要使用到光场相机，它在拍照整个过程中记录了物体在空间中传播时的信息流数据，从而可以后期进行焦点的调节。而普通的数码相机则没有保留相关信息，聚焦后聚焦区域中央部分是清晰的，边缘部分是模糊的。

那么如何对普通相机拍摄的照片进行后期的景深编辑呢？就需要重新对图片中的目标进行深度估计，以Focos应用为例，它可以实现先拍照后对焦，实现景深的任意编辑，连续两年获得AppStore精选推荐。

它在最初的时候利用iPhone的多镜头设计，在拍摄时得到3D模型，后期进行编辑合成景深效果，还可以添加模拟光源照明。升级后的版本支持对任意的照片进行景深模拟，不限定于iPhone拍摄好的照片，如下图展示了使用Focos处理一张照片的效果。

从左到右第一张图为原图，第二张图为景深估计的效果，第三张图为将光圈调至最大，即编辑景深的效果，实际上就是根据深度信息得到前景目标后，对背景进行虚化，所以其中关键问题就是深度估计。

2 基于深度学习的深度估计

从上一节我们可以看出，要想做后期的景深编辑，就必须要先完成深度估计这个问题，深度估计在非深度学习时代，通常是通过多目立体视觉的方法来获取，如今则多采用深度学习模型，下面我们从三个方面来说说这个问题。

2.1 绝对深度估计模型与数据集

带有绝对深度信息的数据集非常多，其中最具有代表性的有2个，分别是NYUv2数据集[1]，KITTI数据集[2]。

NYUv2数据集是室内深度预测数据集，使用Kinect深度相机采集，包含3个城市，464个场景，1449幅对齐的RGB图像和深度图，其中深度的范围是0~10m，另外还数据集还提供语义和实例标签，下图是案例图。

NYUv2数据集的主要问题是场景有限且内容比较杂乱，没有明显的人等目标主体。

KITTI深度预测数据集是室外行车道路数据集，使用激光雷达采集，包含93000对RGB图和深度图，其深度范围是 0～70m。KITTIes数据集的主要问题是场景全部为室外道路，比较单一，只适合研究自动驾驶等相关问题。

深度估计模型的输入是彩色图，输出是单通道的灰度图，这与分割问题类似，可以直接使用编解码模型来进行预测。

早期研究者[3]使用CNN模型进行深度估计时都会使用跳层连接等方法融合多尺度的特征，如下图所示。

使用了两个尺度的特征，上面的通道为全局尺度，下面的通道为局部尺度。全局尺度估计出粗粒度深度预测结果图Coarse，与局部尺度融合后再估计最终的细粒度深度预测结果图Fine。

对于这样的模型的改进，可以有许多方向，包括：

(1) 使用具有更强表达能力的特征提取模型，比如使用VGG模型代替AlexNet模型。

(2) 使用更多的尺度进行融合。

(3) 使用多任务联合训练，将深度预测，表面方向预测，图像分割等任务同时进行学习，由于图像分割任务具有高层语义的感知能力，所以可以提升深度预测结果对于语义目标信息保持的能力。

(4) 后处理。比如使用在语义分割领域中常被使用的条件随机场模型(CRF)与CNN模型结合来提升精度。

2.2 相对深度估计模型与数据集

真实的深度数据集采集具有较高的难度，如NYUv2数据集和KITTI数据集等场景很有限，基于它们训练的模型泛化能力较差，如果想采集到类似于ImageNet等具有足够丰富场景的深度数据集需要极其昂贵的代价。考虑到图片中的点与点之间具有相对远近关系，有研究者构建了相对深度数据库DIW(Depth in the Wild)[4]，它使用随机的关键词从flickr网站中爬取图片，不需要使用深度摄像头采集设备来对每一幅图采集深度。

相对深度的标注方法为通过对图像点进行采样，每一张图都采样一对点，这一对点采用随机选择或以随机水平线作为约束来进行选择，最终的数据集中随机选择和约束选择各占一半，从而满足自然场景的随机性。两个采集的点之间具有相对远近关系，将其标注为这一对点的相对深度，最终得到了包括495000个训练样本的大型数据集，下图分别展示了标注案例和结果。

相对深度估计模型[4]依旧可以是编解码模型，其不同之处在于损失函数。

假如图片为I，进行K次采样，每一次采样为{ik，jk，rk}，其中ik是第一个点的位置，jk是第2个点的位置，rk是它们之间的深度关系，rk取值范围是{+1，-1，0}，z是深度预测图，zik，zjk是点ik和jk的深度，损失定义如下：

这实际上就是一个排序损失，它鼓励隔的近的点之间的差值小，反之则大。

2.3 深度估计模型的展望

基于绝对深度数据与相对深度数据的监督模型相对简单，而实际上由于大规模深度数据集的缺乏，无监督[5]，半监督[6]的单目图像深度估计方法是更有学术价值的研究方向。

另外，真实的摄影图像中因为浅景深常常包含离焦模糊，导致深度预测模型泛化到真实摄影图像时效果不好。由于深度信息与成像的模糊情况是有关的，因此有许多方法尝试从对焦模糊信息中恢复深度，这些我们以后会专题介绍。

[1] Silberman N, Hoiem D, Kohli P, et al. Indoor segmentation and support inference from rgbd images[C]//European conference on computer vision. Springer, Berlin, Heidelberg, 2012: 746-760.

[2] Uhrig J, Schneider N, Schneider L, et al. Sparsity invariant cnns[C]//2017 International Conference on 3D Vision (3DV). IEEE, 2017: 11-20.

[3] Eigen D, Puhrsch C, Fergus R. Depth map prediction from a single image using a multi-scale deep network[C]//Advances in neural information processing systems. 2014: 2366-2374.

[4] Chen W, Fu Z, Yang D, et al. Single-image depth perception in the wild[C]//Advances in neural information processing systems. 2016: 730-738.

[5] Garg R, BG V K, Carneiro G, et al. Unsupervised cnn for single view depth estimation: Geometry to the rescue[C]//European Conference on Computer Vision. Springer, Cham, 2016: 740-756.

[6] Kuznietsov Y, Stuckler J, Leibe B. Semi-supervised deep learning for monocular depth map prediction[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 6647-6655.

总结

深度估计和景深编辑涉及多个领域的知识，在摄影美学作品的创作和编辑中有重要意义，这是一个非常值得关注的有意思的应用领域，更多计算摄影内容学习可以参考有三AI秋季划-图像质量组。

有三AI秋季划-图像质量组

图像质量小组需要掌握与图像质量相关的内容，学习的东西包括8大方向：图像质量评价，图像构图分析，图像降噪，图像对比度增强，图像去模糊与超分辨，图像风格化，图像编辑，图像修复。了解详细请阅读以下文章和视频：

转载文章请后台联系

侵权必究

往期精选