真大神！利用一部手機(jī)，成功實(shí)現(xiàn) "跨界" 復(fù)制粘貼，這位設(shè)計(jì)師把 AR 玩出了新花樣！

本文作者：劉琳

2020-05-06 19:59

導(dǎo)語：新鮮的知識增加了?。?！

聰明的人確實(shí)是可以做很多事的。

近日，一位身兼數(shù)職的斜杠青年 Cyril Diagne 設(shè)計(jì)了一個(gè)復(fù)制粘貼的工具，只要你擁有一個(gè)支持 AR 功能的智能手機(jī)，在手機(jī)上預(yù)裝這款名為 AR Cut & Paste 的工具，然后拍下你想復(fù)制的東西，便可將圖像復(fù)制粘貼進(jìn) Photoshop。

真大神！利用一部手機(jī)，成功實(shí)現(xiàn)

圖自：網(wǎng)絡(luò)

這里是視頻鏈接：http://t.cn/A6A6NL1q 。

真大神！利用一部手機(jī)，成功實(shí)現(xiàn)

圖自：視頻截圖

正如上面幾張圖片所示，這款工具什么都可以一鍵復(fù)制，設(shè)計(jì)師們再也不用擔(dān)心素材不夠用了！不過，目前該工具的剪切延遲大約為 2.5 秒，粘貼延遲大約為 4 秒，流程還可以進(jìn)一步加速。

令人期待的是，作者還給大家留了一個(gè)小驚喜：下周將會(huì)發(fā)布另一個(gè) AI+UX 原型！

平面設(shè)計(jì)師的福音

也許是設(shè)計(jì)師出身的緣故， Cyril Diagne 總是有很多出人意料的想法。

比如，他曾經(jīng)研究出一種人臉涂鴉工具，借助 Tensorflow.js、FaceMesh 和 Three.js 即可在網(wǎng)頁瀏覽器上使用 AR 對臉部進(jìn)行涂鴉。

真大神！利用一部手機(jī)，成功實(shí)現(xiàn)

圖自：github

還有一款可在 Instagram 個(gè)人主頁圖像上添加 3D 效果的 chrome 擴(kuò)展程序，效果生成類似于 Facebook 3D 照片功能，讓 2D 照片也能呈現(xiàn)多角度的景象。

真大神！利用一部手機(jī)，成功實(shí)現(xiàn)

圖自：github

那么，這款工具又是如何實(shí)現(xiàn)將現(xiàn)實(shí)照片直接復(fù)制進(jìn) Photoshop 的呢？

據(jù)作者上傳到 github 的資料顯示，AR Cut & Paste 工具是一個(gè) AR+ML 原型（prototype），它可以從周圍環(huán)境中拷貝固定對象，并粘貼在圖像編輯軟件中（Photoshop）。不過，這款工具目前只適用于 Photoshop 軟件，未來可能支持處理不同的輸出。

該原型作為 3 個(gè)獨(dú)立模塊運(yùn)行：即移動(dòng)應(yīng)用、本地服務(wù)器和顯著性檢測和背景去除服務(wù)。

具體使用方法如下：

首先，你需要在手機(jī)上預(yù)裝這款工具；

npm install

其次，你需要更新一下 IP 地址，并指向你的本地配置；

3: const URL = "http://192.168.1.29:8080";

最后，顯著目標(biāo)檢測和背景移除由外部服務(wù)執(zhí)行（即 BASNet 技術(shù)）。

curl https://download.pytorch.org/models/resnet34-333f7ec4.pth -o resnet34-333f7ec4.pt
docker build -t basnet .
docker run --rm -p 8080:8080 basnet

BASNet 是什么？

BASNet 是一種關(guān)于邊界的顯著性檢測，其聚合了多層深度特征的網(wǎng)絡(luò)，它更關(guān)注整個(gè)圖像的全局對比度上，而不是局部或像素特征，所以，相比其他的顯著性檢測方法，能夠大大減少誤差。

在架構(gòu)上，主要分為兩個(gè)模塊：

真大神！利用一部手機(jī)，成功實(shí)現(xiàn)

圖自：BASNet : Boundary-Aware Salient Object Detection 論文

預(yù)測模塊：設(shè)計(jì)成編解碼網(wǎng)絡(luò)，因?yàn)檫@種結(jié)構(gòu)能同時(shí)捕獲高層次的全局上下文和低層次的細(xì)節(jié)。編碼器有一個(gè)輸入卷積層和由基本res塊組織稱的六部分。為了更進(jìn)一步捕捉全局信息，在編碼器和解碼器之間加了一個(gè)橋接塊，包含三個(gè)卷積層。解碼器與編碼器基本對稱，每個(gè)階段的輸入是解碼器的前一階段的上采樣和編碼器相應(yīng)階段輸出的級聯(lián)。取最后一層精度最高的圖作為預(yù)測模塊的輸出。

優(yōu)化模塊：通過殘差塊優(yōu)化粗糙的顯著圖。粗糙包括：1）模糊有噪聲的邊界；2）不均勻預(yù)測的區(qū)域概率。實(shí)際的粗糙預(yù)測圖兩種都包含。殘差優(yōu)化模塊最初被提出用來用于邊界優(yōu)化，然而，由于設(shè)計(jì)的模塊很淺，難以捕獲高級信息進(jìn)行優(yōu)化。RRM采用殘差編解碼器架構(gòu)，包含輸入層，編碼器，橋接層，解碼器和輸出層，編碼器和解碼器包含4個(gè)階段，每個(gè)階段只有一個(gè)卷積層。

總的損失等于每個(gè)輸出圖的損失的加權(quán)和。共有 8 個(gè)輸出，7 個(gè)來自預(yù)測模塊，1 個(gè)來自優(yōu)化模塊。

真大神！利用一部手機(jī)，成功實(shí)現(xiàn)