今天带来基于深度学习的图像构图的研究报告，主要涉及了基于 CNN 的图像剪裁方法的研究现状、数据集的发展、以及现有应用。

什么是自动切图

我们在拍摄照片后，第一步要做的就是图像裁剪，也称为后期构图。构图，用于合理安排画面中的元素分布，提升照片的美感。

构图的自动化【1】既可以用于拍摄之前的构图推荐，也可以用于拍摄之后的自动调整，在许多的缩略图自动裁剪中也有用处，甚至用于自动拍照。

我在公众号和知乎的专栏中已经多次讲过计算机美学了，也介绍过现有的产品，所以这里不再过多赘述。下面我们说说计算机构图的原理。

计算机构图的研究方法

接下来我们从这 2 个方面来讲讲计算机构图算法的原理。

1.1 显著目标方法

【2-3】也称之为 Attention-Based 的方法，它基于一个假设，图像中最显著的区域即照片中最相关的部分，因此我们应该保留最相关的部分，而裁剪其他部分。

如上面左图 1，2 是显著目标概率图，裁剪的时候就在保留显著目标的同时，裁剪掉了其他部分。

这类方法的目标就是研究如何用最小的剪裁窗口使得注意力（图像显著特性）总和最大化，它缺少对图像构图准则以及美学质量的考量，可能会导致剪裁出来的图像不美观。因为已经不是主流研究方法，就不细细说明了。

1.2 美学方法

基于显著目标的方法不是现在的主流，而基于美学的方法更加符合摄影师构图的原理，它要求裁剪出美学质量分数更高的区域。

上图文【4】是比较早的研究思路，它通过滑动窗口的方法获取一系列的候选裁剪框，然后从中选择美学分数最高的。这一类方法的问题就是效率太低，计算量太高，根本无法实用。

文【5】提供了不同的思路，如上图。它训练了一个显著目标检测网络，可以得到显著目标区域的初始化框，在它的附近，就可以采用不同的大小和比例，获取一系列候选的裁剪框，网络如下。

训练了另一个美学评估网络，用于选取美学分数更高的裁剪框。由于这个方法，只需要 1 次特征提取，且两个网络共享了若干神经网络卷积层，大大提高了剪裁窗口获取的效率，网络如下。

文【6】使用增强学习来更高效地搜索裁剪框，网络结构如下。

相比上面的两种方法，它需要更少的候选窗口与更少的运行时间，可以获得任意尺度位置更精确的剪裁窗口。

最新的研究来自于 adode 2018 年 [7] 的文章。该文章包含了两个网络，一个是 view proposal network，用于提取候选框。另一个是 view evaluation net，用于从候选框中选择美学价值最高的，网络如下。

该文另一个贡献是整理了一个大型高质量的数据集，因为现有的数据集太小是限制研究的最主要原因。

数据集

下面介绍两个主要的数据集。

1.1 FCDB

FCDB【1】数据集是一个专门为图像剪裁而设计构建的数据集。这个数据集一共包含 1743 张经过人工标记剪裁窗口的图片与 34130 张与原始图像相匹配的剪裁图像对。数据集里的每张照片都从专业摄影照片分享社区 Flickr 上下载后经人工筛选得到，具有较高的美学特征与较好的构图。

1.2 CPC[7]

这是 adobe 整理的，包含 10800 张图，超过 1 million 的图像对，每一个图像对就是原图和它的裁剪图，他们会有相对美学的标注。为了保证分布的广泛性，不仅选择了专业的图片，也选择了日常生活中的图片。

另外还有一些小的数据集，不一一列举。

优化目标

怎么评估一个自动裁剪算法的好坏呢？下面介绍两个。

3.1 IoU

平均交叉区域 average intersection-over-union，这也是目标检测中使用的优化目标。上式中 N 为输入图片的总数，wig 为第 i 幅输入图像 ground truth 的窗口，wic 为不同方法剪裁出的第 i 幅输入图像的最优窗口，IoU 的值越大说明剪裁的最优窗口与 ground truth 的窗口越接近，即剪裁的效果越好。

3.2 平均边界位移

平均边界位移 average boundary displacement。上式中 N 为输入图片的总数，
big(l,r,u,d) 为第 i 幅输入图像 ground truth 的窗口 4 条边与原图像对应边的距离，bic(l,r,u,d) 为不同方法剪裁出的第 i 幅输入图像的最优窗口 4 条边与原图像对应边的距离，Disp 的值越小说明剪裁的最优窗口与 ground truth 的窗口越接近，即剪裁的效果越好。

总结

随着研究人员的活跃和数据集的增长，自动构图算法一定会在这几年得到快速的发展。

时间:2019-09-12 00:14  来源:可思数据    转发量:次