AI视频修复速度10倍提升，过曝变色也能逐帧搞定｜美图国科大新算法

家人们，消除 “视频闪烁”（比如画面突然一白）有新招了！

回想一下，当你看一部老电影或者用手机拍摄的视频时，画面偶尔会出现闪烁或颜色不一致等现象。

为了消除这些，来自美图影像研究院、中国科学院大学，以及四川大学的研究人员提出了一种新算法。

新算法 “BlazeBVD”可以自动消除视频中的闪烁，而且处理速度非常快，据称比现有方法快10倍。

更妙的是！这种方法甚至无需事先知道视频闪烁的具体类型或程度。

换句话说，它是 “盲” 的，可以应用于各种不同的视频。

这下，即使拍摄环境光线变化，或者相机硬件跟不上也无需头疼了。[doge]

目前相关论文已被计算机视觉顶会ECCV 2024接收。

感兴趣的话，咱们接着康康~

BlazeBVD如何消除视频闪烁？

首先，受经典的STE（闪烁去除方法尺度时间均衡）启发，BlazeBVD引入了直方图辅助解决方案。

图像直方图被定义为像素值的分布，它被广泛应用于图像处理，以调整图像的亮度或对比度。

打个比方，图像直方图就像是一个统计表，它告诉我们在一张照片中，不同亮度的像素有多少。

△ 图片由Claude 3.5 Sonnet生成

而STE通过分析视频中每一帧的直方图，然后用一种叫做高斯滤波的方法来平滑这些直方图，先初步矫正直方图分布突变的图像帧，能够让画面看起来更加稳定，减少闪烁。

虽然STE只对一些轻微的闪烁有效，但它验证了：

• 直方图比原始的像素数据更简洁，能够更有效地捕捉到视频中的亮度变化和闪烁。
• 通过平滑直方图，可以减少视频中的闪烁现象，让视频看起来更稳定。

因此，利用STE和直方图的提示来提高盲视频去闪烁的质量和速度是可行的。

具体而言，BlazeBVD包括三个阶段。

BlazeBVD三阶段详解

就像医生治病一样，BlazeBVD会首先检查视频的每一帧。

它引入了STE对视频帧在光照空间下的直方图序列进行校正。

然后从处理过的帧中提取出重要信息，比如哪些帧闪烁最明显**（奇异帧集）、哪些地方光线需要调整（滤波后的光照图），以及哪些地方曝光过度或不足（曝光图）**。

接下来，BlazeBVD开始进行修复。

一方面，BlazeBVD使用一个叫做全局闪烁去除模块（GFRM）的工具，利用之前提取的光照图来调整整个视频的光线，确保每一帧的亮度和颜色看起来都很自然。

另一方面，对于一些特别需要关注的局部区域，比如曝光过度或不足的地方，BlazeBVD会使用局部闪烁去除模块（LFRM）。这个模块会利用光流信息（就像追踪物体在视频中的运动）来修复这些区域的细节。

完成这一步，BlazeBVD最后进行完善工作。

它引入一个轻量级的时序网络（TCM），这个网络就像是视频的“美容师”，确保每一帧在视觉上都是平滑过渡的，没有突兀的变化。

为了进一步提高视频的一致性，BlazeBVD设计了一种特殊的评分系统**（自适应掩模加权损失）**。这个系统会给每一帧打分，确保它们在视觉上的一致性，让整个视频看起来更加流畅和自然。

至此，BlazeBVD完成了整个“诊治”流程。

实验结果

那么，BlazeBVD究竟效果如何呢？

直接看已有方法与BlazeBVD在盲视频去闪烁任务上的结果对比：

其中Deflicker为已有方法，GT（Ground Truth）表示理想的无闪烁视频，而KL散度表示处理后的视频与理想无闪烁视频之间的差异。KL数值越大，差异越大。

可以看出，BlazeBVD能很好地恢复照明直方图，同时避免出现颜色伪影和颜色失真 （例如第二列男人的手臂）。

再进一步和基线方法进行量化对比：

BlazeBVD在PSNR（峰值信噪比，数值越高表示视频质量越好）和SSIM（结构相似性指数，数值接近1表示视频质量越好）上得分较高，且在Ewarp（数值越低，视频越连贯一致）得分较低。

一句话，BlazeBVD超越了已有基线方法。

为了直观展现这种差别，BlazeBVD与基线方法的可视化对比如下：

消融实验也验证了BlazeBVD所设计模块的有效性：

概括而言，通过对合成视频、真实视频和生成视频的综合实验，BlazeBVD展现了优越的定性和定量结果，并且比最先进的模型推理速度快10倍。

目前相关论文已公开，感兴趣可以进一步了解。

论文：
https://arxiv.org/html/2403.06243v1

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】