在摄影这件事上，「光影」简直不要太重要。

毕竟大师们摄影作品，大多都是对「光」和「影」的拿捏。

而最近，MIT 和谷歌等机构联手提出了一种用神经网络「打光」的新方法，大大降低了对「光影」拿捏的门槛——神经光线传输 （Nerual Light Transport，NLT）。

例如下图所示，只要拍好人物照片，无论背景如何转换，都可以相应的调节人物身上的「光影」。

去背景后的「AI 打光」效果更加明显。

还有这样的。

虽说「打光」效果是出来了，但这画风…有点像阴间的东西了。

言归正传，继续聊聊 NLT 这项技术。

NLT——拿捏光线的一把好手

光线传输（LT）可以描述一个场景中，物体在不同光照和方向下所呈现出来的样子。

而完整地了解一个场景的 LT，还可以实现任意光照下的新视图合成。

于是，MIT 和谷歌的研究人员基于图像 LT 采集（以人体为主），提出了一种半参数的深度学习框架，来学习 LT 的神经表示，名曰NLT。

总体而言，NLT 可以单独或同时完成以下两项任务：

• 用定向光或HDRI图，重新照亮场景的光线真实性。
• 合成具有视图依赖性效果的新视图。

来看下 NLT 在不同任务下的效果。

首先是「定向重打光」 （Directional Relighting）。

可以看到人物在光线的变化下，阴影、高亮的变化非常自然。

接下来，是基于「背景图的重打光」 （Image-Based Relighting）。

从背景图中，大致可以判断光源（太阳）的方向，而随着背景图的转动，人物身上的阴影也会随之发生改变。

最后，是「视图合成+同步光源」 （View Synthesis & Simultaneous）。

除了视觉效果惊艳之外，从定性角度来看，NLT 方法也取得了不错的效果。

例如，在「重打光」（Redlighting）任务中，与其它基线方法相比，在 PSNR 和 SSIM 两个指标中都取得了最先进的结果。

同样，在「视图合成」任务中，NLT 的结果也是相当不错。

那么，NLT 具体是如何实现这般效果的呢？

NLT模型：「查询」、「观测」两步走

NLT 的模型网络主要由2条路径构成，分别是查询路径 （Query Path）和观测路径 （Observation Path）。

「观测路径」将附近的 K 个观测值作为输入，在目标光和观察方向周围采样，并将它们编码成多尺度特征，汇集起来用来消除对其顺序和数量的依赖。

接下来，这些汇集起来的特征将被连接到 「查询路径 」的特征激活上。

这条路径将所需的光线和观察方向，以及物理上精确的 disue base 作为输入。

「查询路径」预测了一个残差图，该残差图被添加到diuse base上，用来产生纹理渲染。

最后，通过将深度神经网络嵌入到UV纹理空间中，便可以合成与可见光线和观看角度对应的纹理空间RGB图像。

华人小哥一作

这项研究的第一作者，是来自MIT的博士生，张修明。

张修明目前在 MIT 计算机科学与人工智能实验室（CSAIL），从事计算机视觉和计算机图形学领域的工作，尤其对重光照、视图合成和材料建模感兴趣。

另一位主要作者是Sean Fanello。

Sean Fanello是一名研究科学家，也是谷歌的经理，在谷歌领导容量性能捕获方面的工作。

研究兴趣主要包括数字人类、体积重建、高质量的深度传感和非刚性跟踪。

最后，项目将在近日开源，感兴趣的朋友持续关注下方参考链接中的信息更新。

参考链接：

http://nlt.csail.mit.edu/

“