深度学习在摄影技术中的应用与发展

本文来自作者 言有三 在 GitChat 上分享 「深度学习在摄影技术中的应用与发展」，「阅读原文」查看交流实录。

「文末高能」

编辑 | 哈比

我是一个 AI 行业的从业者，也是一个摄影爱好者。

之前我在《言有三工作室》公众号分享过一篇文章，《干掉柯洁的下一步，阿尔法狗创始人又要毁掉这个行业（深度学习）》，感兴趣可以去看看。

其中主要说的就是，DeepMind 的研究，已经让算法掌握了自动学习到构图，滤镜的能力。在这样的背景下，我决定认真从头开始分享分享计算机算法，尤其是最新的深度学习技术在其中发挥的作用。

本次的分享面向的对象是普通大众，本着稍求甚解的原则，我接下来会在尽量照顾受众的同时，也说说技术。

1. 我们想让计算机做什么

摄影，说的粗浅一点，就是拍照。摄影本身并不是一个技术很高的活，稍加训练，就能成为合格的摄影师。

当然，摄影本身也可以是一门艺术，好的作品往往会带入情绪等等。这是一个充满抽象与主观因素的领域。但我们不能因此陷在这个点上，不然下面就没法说了。

好的照片，让大众心情愉悦，欣赏点赞的照片，是有共性的，而计算机玩摄影，就是要解决这个问题，怎么学习到摄影师和大众的审美。

所以下面正式抛出关键词：photo aesthetics。

2. 要研究的到底是一个什么样的问题

所谓 photo aesthetics，即计算机美学，这是计算机视觉的一个研究方向。

它研究通过计算机来学会人的审美，狭义而简单的来说，就是判断一张图片是高质量的，还是低质量的，也就是好与坏，数学上这是一个 2 分类问题。

很多早期的研究，以及相应的数据库 CUHK【1】，CUHKPQ【2】的标注，都是为这个而服务。

从下图相关论文的数量趋势来看，现在是一个很活跃的领域。从研究的现状来看，这也是一个远远没有饱和的区域。

上面说了，最简单也是最直观最早期的研究，就是分辨一张图是好，还是不好，是个 2 分类问题。

但是 2 分类问题有它的两个重大的局限性：

1. 美学不是一个很严谨的数学问题，而是有很强的主观性，有很多的图，介于好图与非好图之间，难以 2 分类，分界面实在不清晰。这导致问题本身定义不明确，数据的标注也很困难。
2. 如果只是一直做 2 分类问题研究，那很多的应用无法实现，直接点的如图像检索排名，间接点的如构图推荐，自适应滤镜。

演变到后来，先是升级到了回归问题，不仅分好坏，还要打个等级分。

什么意思呢？每一个样本的标注不再是 2 分类，不仅仅是包含好图与坏图的标注，而是有了一个量化的分数，比如 AVA 数据集【3】分数的标注从 1 到 10。

研究就变成了如何回归出其标注的分数，最后给出每张图片的平均分数。从应用层面上讲，主要包括了图像检索，自动构图，智能滤镜，甚至是直接创作。

以上，就是通常意义下的 photo aesthetics 包含的内容，核心思想就是学习分辨与创作好图。

3. photo aesthetics 的主要研究思路

在说具体方法和应用之前，还是先说说我们的研究思路。从技术的突破来说，以深度学习为界限，可以从传统方法和深度学习方法来说。

不过对于大多数问题和应用这两者最大的区别就是：前者是手动设计特征，后者是自动学习特征。

所以，这里不从传统方法和深度学习方法的维度来说，而是从研究问题的演变发展上说。

(1) 二分类问题

1 说了，最开始的时候，美学问题仅仅是被当做一个 2 分类问题。

早期的数据集 CUHK【1】，CUHKPQ【2】，都只包含 2 分类的标注，也就是数据集中的图片被人为分为了质量高与低的图。

如下图 (a) 是质量高的，(b) 是质量低的，没有疑问。

【2】可以认为是在【1】的基础上问题的延续，它弥补了【1】中的巨大不足，就是不再对所有图片一视同仁，而是不同类型的照片区分对待。

上图是一个示例，在研究过程中对不同的类别，开始采用不同的特征，考虑了图像的多样性 (diversity)。这是必须的，因为摄影中对待不同类型的照片，就是必须用不同的表现手法。

比如人像摄影中，尤其是近照，需要控制好光照，使用大光圈。而风景照中最需要的是好的构图与丰富的色彩表达。

2 分类问题研究方法的进步，就是不断利用新的深度学习模型去提取特征，从 alexnet【4】，到 googlenet【5】到 resnet【6】等的尝试，以后专题介绍。

(2) 回归问题

由于 2 分类的局限性，自然而然的就演变成了回归问题。这个时候也就出现了新的供我们使用的数据库，AVA【3】。

这是一个很大的数据库，包括 张照片。每一张照片，都有一个评分从 1~10 分。同时还有语义级别和照片风格的标注，以后我们详说。

比较新的研究有【7】。

相比于 2 分类问题，其实回归问题也没有太多新的东西，从数学上来说，无非就是输出维度变了，loss function 变了。

不过在学习具体分数值的过程中，有些研究更进一步，预测了分数的分布。也就是不仅仅预测了图片的质量分数，还预测了它的分数概率图，比如【8】。

(3) 相对美学问题

这个的出发点，是从人的主观上进行考虑。对于人来说，容易判断的是一张图片的相对好坏，而不是绝对分数。同时又由于更可靠稳定的有打分标注的数据集的获取成本之高，催生了一些研究。

就是在学习的过程中，没有一个绝对的分数来指导你。【8】，【9】都是相关研究。

从训练上来看，这一般输入的训练是多个图像，可能是两个图像，也可能是多个图像，一起丢进网络去学习哪一个更好。

下面是一个结果展示，右边的比左边的质量高。相对美学，在图像检索和图像增强中是有很大的作用的。

(4) 多任务学习问题

最简单粗暴的方法，就是不管是什么图像，都直接提特征，分类也好，回归也好。但是，显然这是不可能很好的解决问题的。

摄影美学是讲究因材施教的，不同类型的图像，审美标准完全不同。

那么，直接对所有的图片，采用同样的方法学习，是不通，所以就有方法，或利用图像 style，semantic 信息进行弱监督，或直接将 style 和 score，semantic 一起学【10】。

至于怎么做，按住不表，下回再论。

4. 传统的方法怎么研究

在深度学习还没有遍地开发，在神经网络还处于低谷时期，有没有人在玩计算机摄影？当然有。

他们是怎么玩的？传统方法必然要手动设计大量特征来研究计算机美学这个问题。那主要都有什么特征呢？

主要分为底层的图像特征和与摄影有关的特征：

• 底层的图像特征，包括 Subject-Background Contrast，Color Distribution Feature，Hue harmanic，Contrast 和 brightness，clearness and the colorfulness，由于篇幅限制，这里就不每一都讲述具体细节，先，以及通用的图像特征 SIFI，Hog，Bag- of-Visual-Words (BOV) 等。
• 与摄影有关的特征包括，the rule of thirds，the Low Depth of Field Indicators，exposure 等。

每一个，我都举一个例子。

4.1 Hue harmanic

这是从色调的特性上来分析一张图是不是好图。一张好的静物摄影，色调一般会比较单一，不会五颜六色的各种颜色都杂糅在一起。

如下面的图【1】，单调干净的色调。

好的色调和配色，才会有好的视觉感受，也会呈现出和谐。

文【2】是文【1】的后续研究，补充了摄影中的另 2 个原理，即 90 color scheme 和 complementary color scheme。

这个是设计学里的经典配色方案，从下面的色调轮中看，具有视觉美感的主色调搭配方案，常常是区间相隔 180 度，或者 90 度左右。

具体计算这个 hue 的复杂度，就是要把图像转换到 HSV 空间，得到 H 通道。然后将其等分成多个 bins，设定阈值，来计算色调的种类。

4.2 The rule of thirds

玩摄影的人，一定对三分构图法非常熟悉。三分构图法则，是非常安全而普遍的摄影准则。同样，在我的 摄影公众号《言有三工作室》 中也仔细谈过这个问题，感兴趣可以去读。

文【3】通过将图像分为 9 宫格，然后计算每一个宫格的色调，来评判图像主体是否处于三分的位置。

更具体以后公众号再详细说。

5. 基于深度学习的方法

从 2000 左右算起，传统的方法也研究了 10 年左右，但是仅仅只限于对照片进行分类，打打分【1-3】，离实际的应用，还是有很大的差距。

深度学习技术的发展，从各方面都提升了这个领域的发展，下面从有监督学习和无监督学习两个方面来说说。

5.1 有监督学习

上面第 3 章其实也提过了，由于目前的美学数据集都比较小，所以研究离不开迁移学习的思路。

也就是从其他任务训练好的模型中提取特征，然后将该特征，在现有的美学数据集上，换上美学评估的新 loss 或者依旧采用经典分类和回归问题中的 loss 函数，来 finetune 网络。

那么网络的时候，自然而然地遵循着从 alexnet【4】，到 googlenet【5】到 resnet【6】的路线。

文章【4】，是比较早期的应用，采用了一个双通道的网络，是不是很 alexnet？

分别输入 global view 和 local view。local view 是多个 random crop，可以学习到多个局部响应。

从上面的网络结构和输入你就可以想到，这基本上也就是拿来做做分类了。实际上也是如此，上文就是拿来做二分类，以及图像风格的分类。

用了更复杂的 googlenet 的【5】，也一样在研究二分类问题。更进一步的是，他们通过观察 featuremap 的响应特点，来试图总结高质量图和低质量图的规律，并认为前者会有更多的激活。

在后来问题从分类问题，转换为回归问题之后，文【6】就利用上了最新的 resnet，一股脑研究了分数的分布特性。

网络结构本身，没什么变化。就是几个卷积 + 全连接层，但是因为为了适应不同的输入尺度，消除由于 resize，crop 等造成的精度损失，采用了自适应的 spp layer(adaptive spatial pyramid pooling )，同时添加了语义分类信息作为弱监督，也提出了 huber loss，与通用的回归问题 loss，euclidnean loss 做了比较。

取得了当下最好的结果，AVA 上分类超过了 80%，这也是当下 state-of-out 的水平了。

总之，有监督方法，集中在利用已有的经典网络，采用不失真的多尺度输入，添加语义等信息作为监督，设计新的 loss 上努力。可以说，比较成熟，翻不起大江大浪了。

5.2 无监督学习

无监督学习的典型代表，就是 GAN。Lecun 说的当下算起十年间最值得研究的领域。GAN 从超分辨率，到风格化，其实早就杀进了摄影相关的领域。

目前，比较活跃的研究，集中在智能调整，或者说智能滤镜这一块。因为美学是个比较抽象的问题，这一块是依赖于标注的有监督学习的软肋。

汤晓鸥他们最新的研究，EnhanceGAN，也成功地学习到了颜色，对比度等调整方法，并能够同时完成图像增强与调整构图的目的。

但最值得兴奋的是，它不需要成对的标注图像了（这是通过 gan，和一批有着 2 分类标签的高质量图和低质量图来实现的）。

大的可靠的数据集太难得了，尤其是成对的后期处理图和原图，获取成本非常之高，所以利用 GAN 来学习到最优的后期，是很有价值的。cycle-gan【19】就更像是一个有点调皮的应用，

从下面它论文首页的图，我们就能够看出来。它可以实现风格化的转化，冬天和夏天风格的转化，甚至马和斑马的转换。你完全可以大开脑洞，想想还可以有什么应用。

最重要的是，它依旧不需要成对的图像来应用，也就是不需要提供一对一对的原图和处理后的后期图。

我相信，这就是未来，毕竟还有增强学习呢【21】。更多地细节，以后我们慢慢在讨论。

6. 基于深度学习的应用

总的来说，随着深度学习技术的发展，很多应用可以落地了，主要包含以下几个大方向。

(1) 图像检索【20】

我们在搜索引擎中搜索图片时，自然是希望能够尽量返回质量高的图，恨不得是高清原图。但是目前的搜索引擎并不能做到。

因为，目前的都是基于 tag 做的检索，而不是图像本身的质量。

下面就在百度中搜了一个学校美照，出来的效果不怎么样。学校没得到体现，人像很多也是普普通通的大头照，从摄影师的角度来看，真的很一般。

当然，你也可以去搜索更多的关键词，反正我在使用过程中常常不满意。Google 图片质量比百度高，但是也还有很大的发展空间。

(2) 图像自动构图

自动裁剪这个，自打用上 iphone 起，它的照片管理工具就自带这个功能了，但是其他好用的 app，我还没有发现。这是个什么问题，专业点的说法，就是摄影构图。

它做的就是去除不必要的元素，合理安排画面中的元素分布。每一个摄影师拍完照做后期时，第一步肯定就是做图像裁剪。

就算是最后没有裁剪，第一步也会看是不是需要裁剪！

为什么？

因为你拍照的时候，很多时候来不及细细的去构图，只有在后期认真想的时候，才会去精细地调整。

据我体验，目前 iphone 照片管理软件的自动裁剪功能，主要还是对人像管用，下面给大家看个例子就知道了。干脆把两张前后对比图拿过来大家瞧瞧，想想为什么要这么裁剪？

自动裁剪前与自动裁剪后：

关于更多的构图摄影知识，请关注我另一个摄影公众号《言有三工作室》，里面有大量的教程可以学习体验。

至于构图的一些研究，可以参考【11】【12】，下回说细节。

(3) 自适应滤镜

现在就没有一个 app 能够自动推荐滤镜，后期很多的时候是很繁琐的。对于菜鸟来说，只能去各种尝试已有的滤镜。

对于高手来说，需要很多时间来积累经验，也需要时间去选择更好的方案。费时费力，还不一定能达到最好的效果，所以，我们其实都很期待出现一个 app，能够自动帮我们选择一个好的风格滤镜。

可惜，现在比较优秀的后期 app，如 snapseed，泼辣修图，也仅仅是能够对图像的对比度，亮度等自适应地做些调整。

关于现有的发展，更详细的介绍，在我的摄影公众号《言有三工作室》的文章 《Apple 和 Google 他们为小白们的修图大业做了什么？》 中有详细的说明，大家有兴趣可以自行前往阅读。

现在比较好的研究，也有一些。像名字取得比较吓人的【13】，号称 end-to-end 可以把手机照片提升至单反画质，不过实际效果看来，主要是减少了阴影，总体上学习到了使图像变得更加通透。

缺点是对比度经常放的太高，同时因为采用了 GAN，放大了噪声。

这种事当然不能少了汤晓鸥他们团队，EnhanceGAN 算是很新的应用了【14】，也成功地学习到了颜色，对比度等调整方法，不是 end-to-end 的方法，而是 image-crop 与 enhancement 交叉训练。

最大的优点是不需要成对的标注图像了（这是通过 gan，和一批有着 2 分类标签的高质量图和低质量图来实现的）。

早期的方法【15】是需要成对的标注图像，成本太高，所以数据集不可能很大。以后不需要成对图像做训练的方法，必将成为主流。

(4) 风格化

这个，其实已经踏进艺术的创作，而不仅仅是摄影的范畴了。行内人士可能还记得《image style transfer using convolutional neural networks》【16】这篇文章，后来催生了 prisma，当时那个很火的滤镜。

整个的流程就如同下面这样，一张原图，一个风格，最后做融合。

不过，没过多久，就退烧了。毕竟，那样玩图太 “高级”，不是大众刚需，也就没见人玩了。但是，并不是说他就不重要的了。

像 pixtopix【17】这样的文章出来之后，风格化仍然有很大的市场。比如黑白图像上色，比如图像风格转化（夏天冬天风格转化）【18】，甚至做得极端点，cycle-gan【19】这样的，不需要成对地标注，把斑马和马相互转换的有意思的研究。

未来，还大有可为！

7. 深度学习未来发展方向

总的来说，包含以下几个大方向；

难点

1. 怎么利用数学的方法去建模内部的美学规则。
2. 怎样自适应调整不同的图片之间的美学差异。
3. 如何准确判断一张图采用的技术。
4. 怎样获取一个标注详细的大数据库。

热点

1. 网络结构设计相关问题，如多尺度多 patch。
2. 图片风格，语义信息的应用。
3. 怎么自动获取数据的标注。
4. 最新技术在其中的应用，GAN。

这一次，只是一个入门介绍，后续，敬请期待！

作者简介：言有三，原 360 AI 研究院工程师，一个摄影爱好者。

想了解更多的细节，就来我计算机视觉公众号《视若观火》，以及摄影公众号《言有三工作室》吧，同时头条号《言有三工作室》也会有同步的内容。当然，摄影平台 500px 和图虫，更是天天更新噢。

1. Y. Ke, X. Tang, and F. Jing. The design of high-level features for photo quality assessment. In CVPR, 2006. 1, 3, 6
2. W. Luo, X. Wang, and X. Tang. Content-based photo quality assessment. In ICCV, 2011. 1, 3, 6, 7
3. Perronnin F, Marchesotti L, Murray N. AVA: A large-scale database for aesthetic visual analysis[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2012:2408-2415.
4. Lu X, Lin Z, Jin H, et al. RAPID: Rating Pictorial Aesthetics using Deep Learning[J]. IEEE Transactions on Multimedia, 2015, 17(11):2021-2034.
5. Jin X, Wu L, He Z, et al. Efficient Deep Aesthetic Image Classification using Connected Local and Global Features[J]. 2017:1-6.
6. Murray N, Gordo A. A deep architecture for unified aesthetic prediction[J]. 2017.
7. Malu G, Bapi R S, Indurkhya B. Learning Photography Aesthetics with Deep CNNs[J]. 2017.
8. PKong S, Shen X, Lin Z, et al. Photo Aesthetics Ranking Network with Attributes and Content Adaptation[J]. 2016:662-679.
9. Chandakkar P S, Gattupalli V, Li B. A Computational Approach to Relative Aesthetics[J]. 2017.
10. Kao Y, He R, Huang K. Deep Aesthetic Quality Assessment with Semantic Information[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2017, 26(3):1482.
11. Chen Y L, Huang T W, Chang K H, et al. Quantitative Analysis of Automatic Image Cropping Algorithms: A Dataset and Comparative Study[J]. 2017:226-234.
12. Wang W, Shen J. Deep Cropping via Attention Box Prediction and Aesthetics Assessment[J]. 2017.
13. Ignatov A, Kobyshev N, Timofte R, et al. DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks[J]. 2017.
14. Deng Y, Chen C L, Tang X. Aesthetic-Driven Image Enhancement by Adversarial Learning[J]. 2017.
15. Yan Z, Zhang H, Paris S, et al. Automatic Photo Adjustment Using Deep Neural Networks[J]. Acm Transactions on Graphics, 2016, 35(2):11.
16. Gatys L A, Ecker A S, Bethge M. Image Style Transfer Using Convolutional Neural Networks[C]// Computer Vision and Pattern Recognition. IEEE, 2016:2414-2423.
17. Isola P, Zhu J Y, Zhou T, et al. Image-to-Image Translation with Conditional Adversarial Networks[J]. 2016.
18. Luan F, Paris S, Shechtman E, et al. Deep Photo Style Transfer[J]. 2017.
19. Zhu J Y, Park T, Isola P, et al. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks[J]. 2017.
20. Baraldi L, Grana C, Cucchiara R. Scene-driven Retrieval in Edited Videos using Aesthetic and Semantic Deep Features[J]. 2016:23-29.
21. Li D, Wu H, Zhang J, et al. A2-RL: Aesthetics Aware Reinforcement Learning for Automatic Image Cropping[J]. 2017.

近期热文

《这样做，你的面试成功率将达到 90%》

《如何用 TensorFlow 让一切看起来更美？》

《Web 安全：前端攻击 XSS 深入解析》

《300万粉丝，全国最大的线上抽奖平台，深度解析》

《高可用、高性能？ 接口设计的 16 个原则》

免费福利

「阅读原文」看交流实录，你想知道的都在这里