你不颠覆自己，AI就颠覆你——言有三

导语

人工智能早已经开始写诗，写小说，作曲。如今，它开始玩起了摄影，这是作为一个摄影爱好者感觉背脊一凉的事情，不得不来说道说道。

1 AI摄影师横空出世

如果在这个时代，你不了解人工智能，也就是AI，那你真的要out了。不管是不是从业者，人工智能，确切的说应该是机器学习吧（说人工智能的全是拉大旗但是听众又愿意听），在冲击并颠覆着几乎所有能冲击的行业。

他们开始写诗，写小说

下棋，作曲，打扑克

送快递

甚至玩起了摄影

搞出这种事情的就是Google 的人工智能实验室 DeepMind。还记得二代AlphaGo对战全人类的顶级高手60连胜，随后让傲气满胸的天才棋手柯洁心悦诚服吗？更恐怖的是2代AlphaGo在3代面前，还是个渣渣，那我们人类又是什么？

如今，他们又玩起了摄影，真的不知道他们到底还想对这个世界做些什么，总之是了不得的事情！

你能想象上面这张图是Google的AI程序自动生成的吗？

我相信，哪怕是一般的摄影爱好者，也未必能调出如此舒服的色调。尽管图像上方的山认真一看就能识别是假的，但是从美感看来，我认为这是一张很不错的照片。

没错，他们就是让计算机学会了“审美”，这个摄影师自认为最得意的事情。

当然了，我们人类摄影师创作需要一个景作为输入，计算机也一样，下面的图是一个更加完整的例子。

上图分两段，下面的图，是google街景图的一部分，上图，就是计算机看着这些街景图后创作出来的作品。当然街景图是360度的，这里只展示了一定的角度。

尽管是AI伪造出来的图，但是构图，对比度，饱和度，光线都是很不错的。

如果今天你说，女生的照片成了照骗不再可信；

那现在看来，以后照片可能都不可信了。明天，世界将真假难分，后期，将变得再无门槛！

作为一个摄影爱好者，但又是图像相关领域从业者，我爱自己的职业，也爱自己的兴趣，所以有时候对这种技术的发展感情其实很矛盾。

算了，来揭穿这个假冒的摄影师的真面目吧。

2它到底怎么做的

--2.1 这到底是什么--

上面所说的AI摄影师，官方名称Creatism系统。

它具体是什么呢？

不同于美图秀秀等滤镜工具，它是通过学习模仿专业摄影师的作品，对图片的处理过程就是典型的专业摄影师的路子：

(1)调整构图，以一个美学标准对挑选的街景图进行裁剪。

(2)全局调整，调整照片的饱和度，HDR等参数。

(3)光照调优。利用学习到的dramatic mask 遮罩工具为照片自适应地加上局部光晕。

拿一对图分析一下。

第一步构图调整，最重要的就是要突出主体。

图中的主体当之无愧是山，所以山应该占绝大多数的空间。而作为一个优秀的风光作品，最好有宏大场面和景深，所以图像下半部的树林，就衬托出了山在远方的景深。顶上的天空，则使得作品更加真实而充实。整个的构图，大概遵循三分法的原则，不知道三分法的以后我们会讲。

然后我们再看第二步。创作后山和树林的饱和度，与原图相比，明显更高但是又很自然，这是好的彩色风光片都有的特点。

最后一步，光照的调整就更加6了，手法很老道。像是夕阳光从图像外的右侧照射到了山脊。云彩中的一缕亮光下方，也照亮了草地，虽然比起山脊处效果差的多。

明显缺点也是有的，主要就是树林的面积太大，这可能跟下方的输入图中草地树林面积占比很大有关。

但不管怎么说，这都是一个不错的作品，你未必能做到。

以后可以一键后期了！

拯救你的构图！

不用再枯燥地调对比度亮度！

一键完成不知道该怎么调的光照效果！

--2.2 到底有多6，谁来评判--

美学这个东西，无法量化，各说各有理，经常谁也说服不了谁。

那Google怎么去评测他们的这个AI摄影师呢？

当然最好的就是请专业的裁判。他们邀请了 6 位专业摄影师进行图灵测试(这是一个很著名的测试，感兴趣可以自己搜索)，他们都拥有摄影学士学位和至少两年以上的专业摄影经验，总之实验绝对是靠谱的，结论绝对是令人信服的。

他们将真正由摄影师拍摄的照片，和AI生成的照片混在一起让这些摄影师去评测，并将异常的打分返回继续评测，直到众人取得比较一致的结论。

评测分为四个等级，分数由 1 到4 分。1 代表的是只有入门级别的照片，4 则表示达到了专业摄影师的水准。

结果你猜如何？

摄影师评估的 173 张由AI生成的照片中，有 41 ％照片得分达到了 3 分以上， 13％ 的得分更超过了 3.5分。而由真的专业摄影师拍摄的照片中也就是有 45 ％达到了 3.5 分以上的成绩。

如果说旗鼓相当还有点勉强，那么水平接近可以说是事实了。而计算机的学习能力之强大从AlphaGo就可见一斑，你觉得再过一阵子，会不会专业摄影师彻底被比下去呢？再看张图吧。

总之Creatism系统，只需要采集一些街景图回来，就可以给你自动生成足以以假乱真的准专业水准的风光照，这是一件不得了的事情。

今天已经有各种app在开发自动后期算法，可见的不久，后期的门槛就将大大降低，到时候大家也不用再去膜拜那些老司机们，也不用再望着PS发呆了，想想就兴奋有没有。

我们或许应该感到欣慰，技术的发展，从来都是扫除门槛和阶层的助力。

3 开始说算法

下面的内容，就是专业领域了。感兴趣或者专业相关的朋友可以听听，其他的读者可以直接跳至文末。

--3.1 说点历史--

关于摄影美学的研究，其实早就开始，这是一个图像质量评估问题，一个还并未有好的解答的问题。

AVA数据集就是最早做这件事的，它是一个人工标注的数据集，20多万的数据，每一张照片都被综合的评了分，1~5不等。相关的研究，也是集中于构图，对比度等等，只是，传统算法大部分都是人工设计的算子。

摄影美学本来就很难量化，好的摄影师必然需要大量的练习才能养成。那么，对于擅长于从数据中学习到知识的机器学习来说，正对下怀。

--3.2 Creatism数据集和pipeline--

此处已经假定大家都有deep learning基础。

单刀直入，先祭出要用到的一个数据集。

15000张左右从500px.com挑选出来的风光图。这是我一直给大家力推的网站，一直认为是最好的摄影分享平台。

里面有很多优秀的风光摄影师，其构图、照片饱和度等很优秀，这15000张正是其中评分很高的。

而整个的pipeline是这样的。

首先说明这不是end-to-end的，为什么呢？

因为我们要优化的，是一个由构图，饱和度，HDR，光线等一起组成的目标Φ。它不同于分类时的类别，也不同于检测时的定位框，它的各个子维度很难直接用一个线性的方式来融合，对最终结果，也就是照片的分数的影响权重，也是很难有规律可循。

如果不剥离开，要同时优化这样的几个子目标，所需要的训练集需要非常鲁棒，这需要极高的成本。

另一方面，由于子目标的抽象层级较高，不在一个维度上，梯度传播起来，该怎么指导各个方向呢？

所以最终解决方案，就是上面所提的，对这几个维度（构图，光线等），每一个都训练一个“滤镜”，各自评测一个分数Φi。

--3.3 说细节--

3.3.1 怎么学习饱和度和HDR滤镜？

既然要学习，负样本怎么来，祭snapseed。snapseed里有调节饱和度，HDR参数的算法。

使用类似于snapseed里面的算法，随机从 (0%, 80%) 中挑选参数调整原图的饱和度。由于原图质量高，所以参数调的幅度越大，应该打分就越低，那么怎么得到分数呢？采用跟原图的相似度来度量，计算调整后的图与原图之间的颜色方差δ得如下公式。

可知方差越大相似度越低，当超过一定值，直接为0。

上图红色线显示了在调节饱和度参数时的分数变化，可见它的最优值不是最大也不是最小，同时在调节饱和度的过程中，HDR，Composition构图的分数几乎不变，整体的美学质量Φ变化也不大。

HDR类似如下图，有点小trick自己看paper吧，调节过程中，composition分数和饱和度分数几乎不变。

这样一来，正负样本就都有了，同时每一个原图，都产生6张对应的负样本。优化的时候，直接线性搜索饱和度参数和HDR参数即可。

于是我们得到了根据图片，自适应调整饱和度，HDR的滤镜。

这里提一句，在风光摄影中HDR几乎是必调参数，而人像中一般不调，以后再详说。

3.3.2 怎么学习构图呢？

在这里我们暂且将构图认为是怎么裁剪出最好的图片。

同样第一步是搞负样本，在这里还做了点数据增强。

对于现有的评分最好的图，按照宽度随机裁剪90%~100%，并进行0.5~2之间的随机放缩，这一批，作为正样本。

第二批，则按照宽度随机裁剪50%~90%，保证这两批图的数量相等。

分数怎么定呢？

直接计算面积比，第2批中的图除以第1批中的对应图的面积，这也是个不大于1的值。

这时候我们来看，在调整裁剪位置的过程中，所有的分数都受到了影响。

可以认为是裁剪位置变了，主体有可能发生变化，这时候饱和度和HDR就需要选择更好的参数了。

作者们也说了，不能对这个现象闭着眼睛不当做不存在，所以在优化最佳裁剪位置时的目标函数中，加上了一个经验参数，带上了全局的美学质量，优化目标不止Φcrop了。训练采用的是自家的inception v3，

3.3.3 怎么学习光照呢？

摄影是光和影的艺术，光照的作用，基本上是区分摄影师档次的金标准。

文中提到了vignetting滤镜，它根据几何学改变光效——通常是增加图像中心的亮度，降低边缘的亮度，也就是内外发光，可以去snapseed找，这常可以制造光晕的效果。

下面遇到了一个问题，因为上面不论是饱和度HDR，还是crop，在应用一个现有的滤镜之后，我们都可以比较处理后的图和原图得到一个分数，从而可以得到label，而光效这个东西，没法打分啊。

没有了label，怎么办，懂行的可能想到了，祭出GAN！

GAN？

这个很正经的噢，咱们以后说。

总之做法就是以同样的概率，选择了snapseed中对比度调整，亮度调整，HDR功能，光晕外发光效果，曲线功能等来对图像进行操作得到了一些图，这些图相对于原图来说，质量更低，姑且称之为M‘，把原图称为M。

上面说了我们没法直接计算M'相对于M的美学分数，那么怎么办呢？我们希望学习到一个滤波器O，使得M=O(M’)，采用的无监督学习方法GAN，因为它可以左右互搏。

更具体的细节咱们也不表了，O学习到的最终形式是一个8×8的滤波器，利用了DCGAN，以后我们会来认真说说这个GAN的。

下面有一张效果图。

第1列是原图，第3列是结果图，第2列就是这个光晕滤镜了。颜色越近的地方，滤镜参数越相近，感受一下吧。

差不多不能再说了，总之分别学习到这几个滤波器后，就可以从采集回来的360度google街景图中选择一个好的构图，然后调整饱和度，HDR参数，加上光晕，一张准专业的图就这样无人工干预的出来了。

仿佛听到了AI在说，以后摄影我包了，以后后期我包了，你们人类去找点其他的爱好吧。

这还怎么玩。。。。。。。

如果你今天不提高自己的审美，以后，ai都可以嘲笑你。

那为什么，

还不关注加入我们，

从小白到老司机，

一起抱个团呢？

言有三，原360 AI研究院工程师，一个半吊子摄影爱好者，等你噢。

摄影还是要认真学的，欢迎来500px.com。