赞！网红程序员 AI 修复多国古老街景视频
The following article is from HyperAI超神经 Author 神经小兮
作者 | 神经小兮
来源 | HyperAI超神经（ID:HyperAI）
内容提要：油管上一位 Up 主，修复历史视频上了瘾。目前，他已经利用 AI 技术修复了百年前的纽约、东京等地的街头视频。继上次感受百年前老北京街景之后，让我们穿越到百年前的东京、纽约街头看看吧！
关键词：视频修复 卷积神经网络
还记得曾火爆全网，用 AI 修复的百年前北京街景视频吗？（参见《AI 修复民国北京街景视频，火遍全网带你穿越》）
同一时期，全球其它城市又是什么模样？一位来自俄罗斯的工程师 Denis Shiryaev（丹尼斯·谢里亚耶夫），用 AI 技术修复了多部老视频，也在 YouTube 上火了一把。
从 1896 年的莫斯科，到 1911 年的纽约，再到 1913 年的东京，Denis 让网民们感受到了百年前，这些城市的风情。
修复《火车进站》一战成名
今年 2 月，Denis Shiryaev 在 YouTube 上传了一段用 AI 技术修复的人类史上第一部电影——《火车进站》。
让他意外的是，这段视频一夜走红，截至目前这段修复电影已达到 400 多万次的播放量。
修复后的彩色有声版《火车进站》
125 年后，原本仅仅 50 秒的无声黑白电影，被 Denis 利用 AI 技术加上了色彩，并将其升级为 4K、60 fps 画质的高清版本，让现在的我们，得以看到更加真实的历史画面。
纽约、东京、莫斯科视频修复：给网友交作业
在第一次的修复作品获得巨大反响之后，Denis 应广大网友请求，接着又修复了多段老视频，带大家感受百年前的莫斯科、纽约和东京。
中图为Denis Shiryaev
1896 莫斯科：热闹的商业街头
Denis 的 AI 时光机，首先选择了 1896 年的莫斯科，这座城市于 1147 年沿莫斯科河而建，至今已有近 900 年历史。
19 世纪末的俄罗斯，刚刚完成工业革命，各类工业和贸易的企业已达两万多个，工人人数达到了 12 万。
特维尔大街，至今仍是莫斯科最繁华的商业、娱乐中心
视频中所记录的正是莫斯科的特维尔大街，商铺林立，马车、警察、商人熙熙攘攘。
沿着这条街步行不到 2 公里，即可到达当时的沙皇住所，也是现在俄罗斯的总统府 —— 著名的克林姆林宫。
1911 纽约：欧洲移民的美国梦
Denis 还选择了 1911 年纽约市的一段著名视频，进行了修复。
这段时长 8 分 35 秒的视频，把人们带回到 1911 年，当时的美国，正处于快速城市化时期，第二次工业革命在美国创造了大量就业机会。
原片由瑞典某公司拍摄，名为《纽约之旅》，由现代艺术博物馆于 2018 年公开19 世纪末 20 世纪初，大批因社会停滞而陷入失业的欧洲人，选择远渡重洋去追寻「美国梦」。来自欧洲的移民潮达到高峰。其中最著名的就是 1912 年 4 月，从英国出发的泰坦尼克号。
在《纽约之旅》的开头中，也是一艘游轮缓缓驶向高楼林立，车水马龙，繁华热闹的纽约。
1913-1915 东京：明治维新后的稳定繁荣
这段原素材，由外国摄影师在 1913 年至 1915 年间的日本东京拍摄，拍摄期间，第一次世界大战（1914-18 年）刚刚拉开序幕。
而此时的日本，经过明治维新后的数十年平稳发展，正是一片盛世。东京的人口恢复到明治维新前的最高水平，超过 200 万人。
网友评论：那时候人们盯着摄像头就像它是一个外星探测器一样街头上身着西服的日本老师，头戴礼帽的路人，无不体现着当时的日本，正经历着西方文化与东方文化交融的变革时刻。
感觉还不过瘾的同学，可以去 Denis 的 YouTube 主页，继续时光之旅哦：
https://www.youtube.com/c/DenisShiryaev/videos
能够实现这些结果，Denis Shiryaev 谦虚地表示，都要归功于 DAIN、ESRGAN、DeOldify 等 AI 技术。通过这些技术，任何人都可以做到。
老视频修复三步套路：提升画质、插帧、上色
提升画质利器：Gigapixel AI
据 Denis 介绍，他首先使用了 Topaz Labs 开发的商业图像编辑软件 Gigapixel AI，将原本分辨率极低的视频，按比例放大 600%，提升为 4K 画质。
Gigapixel AI 的工作原理类似于 ESRGAN（一种超分辨率复原技术），利用其专有的插值算法（interpolation algorithm），可以分析图像并识别细节和结构，进一步「完成」图像 。
为了避免放大后的图像模糊，该软件利用深度卷积神经网络技术，分析了数百万张成对的图像，了解图像中的细节如何丢失，然后在新图像中将细节填充进去。
该软件已支持常见的视频格式无损放大
补帧模型：DAIN
接着，Denis 使用深度感知视频帧插值模型 DAIN，在现有视频片段的关键帧之间，靠模型的「想象」创建并插入视频里以前并不存在的帧，以此将视频的帧率增加到 60 帧每秒。
DAIN（Depth-Aware Video Frame Interpolation）是上海交通大学一位博士生包文博开发的插帧算法，该算法可以从把 30 帧的视频「脑补」成 480 帧，让视频更流畅。
项目地址：https://github.com/baowenbo/DAIN
将 30 fps 视频补帧到 60 fps 后的效果对比
上色：DeOldify
在上色环节，作者使用了 DeOldify，该技术的开发者目的就是为旧照片着色。其原理是使用 NoGAN 技术，它结合了 GAN 训练的优点，比如出色的上色效果，同时也消除了一些副作用，比如画面着色不稳定、闪烁的现象。
项目作者给出的上色示例，原照片拍摄于 1890 年代后期
项目地址：https://github.com/jantic/DeOldify
最后，对于早期的一些无声视频，Denis 还为其加上了一些和视频相对应的音效素材，让整体的视听效果更为真实。
Denis 表示，自己热爱机器学习技术领域，修复古老视频只是他对这种技术应用的结果展示。他会继续在 GitHub 上寻找此类技术，并在博客持续分享自己的学习结果。
更多精彩推荐