浅析基于机器学习的威亚擦除技术

本文刊发于《现代电影技术》2021年第9期

专家点评

威亚擦除是影视特效制作中的重要工作内容，传统的威亚擦除工作需要大量人力参与，工作强度大、重复性高、耗时长，同时擦除质量还会因人而异，不易控制。随着计算机图形图像以及人工智能技术的发展，类似威亚擦除的简单耗时、重复操作的工作交由计算机协助完成将是未来发展的趋势。近年来,得益于机器学习技术的快速发展，影视视效辅助制作已经开始采用这些高效的技术手段。《浅析基于机器学习的威亚擦除技术》一文以威亚擦除作为人工智能和影视技术跨界融合的研究对象，全面系统介绍了威亚擦除的基本概念、常用方法、质量控制以及机器学习技术在图像修复和擦除领域的应用现状，围绕目前应用较多的影片修复、图像补全、内容识别填充技术以及新的CopyCat机器学习工具集等技术进行研究分析,对未来机器学习技术下的擦除技术进行了探究和展望。文章结构清晰，内容全面，能够为影视从业人员全面了解威亚擦除相关技术提供非常好的参考，为行业解决相关问题提供新的思路和解决方案。

——陈军，研究员，

北京电影学院影视技术系主任

作者简介

顾春华，上海电影艺术学院讲师，主要研究方向：数字合成与视觉特效；

丁友东 ， 上海大学上海电影学院博士生导师、教授， 研究方向：数字影视技术、计算机图形学。

摘要

威亚擦除 (Wire Remove)是较为常见而重要的数字影视合成技术，数字合成师需要对拍摄特技镜头过程中所使用的威亚(Wire)进行擦除以避免画面的穿帮。本文将跨界融合数字影视合成技术、计算机视觉以及人工智能技术，以数字影视合成技术中的威亚擦除作为人工智能和数字影视技术跨界融合的研究对象。围绕目前较为成熟的“影片修复” “图像补全(Image Inpainting)”、Adobe软件中的Content-Aware Fill(内容识别填充)技术以及Nuke13 中新增的CopyCat机器学习工具集等技术进行综合研究，为当下数字影视合成中的威亚擦除提供新的思路和解决方案。

威亚擦除 数字影视合成技术 人工智能 机器学习 内容识别填充

1引言

近年来，得益于大数据的应用、算法的发展以及计算机处理能力的提升，“机器学习”已经被广泛应用于计算机视觉处理、影视视效辅助制作、自然语言语音识别和游戏制作等领域。这里所指的“机器学习”主要包含三个方面，即机器学习 (Machine Learning, ML)、深度学习 (Deep Learning, DL)和人工智能 (Artificial Intelligence, AI)。机器学习是人工智能的子集。所谓机器学习是指通过海量样本数据的训练，基于人工神经网络计算框架，使计算机能够胜任通常需要人类智能才能完成的高度复杂工作。其中，深度学习可被理解为实现机器学习的一种技术，是机器学习的子集，如图1所示。

图1 机器学习、深度学习和人工智能的关系图

影视后期制作是劳动密集型产业，在视效制作过程中存有大量工作强度大、重复性操作高、占用时间长的工作，这对于数字合成而言更是如此。在实际制作中，数字合成师大量的时间和精力会耗费在对镜头的抠像与擦除等基础工作之上。然而，抠像与擦除工作看似重复但又并非简单。一位合格的数字合成师，往往需要经历两年或以上抠像和擦除基本功的锻炼及相关职业培训才能达到影视级镜头制作要求。与此同时，机器学习的发展似乎让人们看到了未来数字合成师的工作状态：简单耗时和重复操作的工作交付机器进行辅助制作，数字合成师将更加专注于故事的述说、情感的表达与画面的美感设计。

目前，机器学习在影视视效领域较为成熟的案例有：Adobe After Effects软件中的内容识别填充(Content-Aware Fill)，Topaz Labs公司基于先进人工智能技术开发的Topaz Bundle工具包，基于Nuke平台的机器学习辅助自动抠像工具Rotobot，Autodesk公司在Flame2020中的深度估算和人脸法线估算以及Nuke13 中新增的CopyCat机器学习工具集等。可以看到，人工智能在影视视效领域的研究和应用已经拉开帷幕。

2数字合成中的威亚擦除

数字合成技术是指使用后期软件将实拍环节中无法完成或不够完美的画面进行再创造的过程。是当代影视制作流程中必不可少的环节，是影视作品中增强画面表现力，辅助导演对于效果表达的重要技术手段。其中包括：动态蒙版创建、画面擦除、二维跟踪、色彩匹配、蓝绿幕抠像、三维摄像机跟踪、三维摄像机投影和三维CGI合成等。威亚擦除是数字擦除中的重要内容，也是影视视效制作的常用手段。

2.1 数字合成与威亚擦除概述

数字影视合成技术可以说是集中体现了当下计算机视觉与计算机图形图像学的前沿技术。所谓数字合成 (Digital Compositing)是指将多种不同的原始素材(如实拍素材、CGI三维渲染素材和照片单帧素材等)无缝地拼接集成为一幅复合画面的数字技术。数字合成的目标旨在创造无痕视效和视觉奇观，以使画面中的各个元素看起来犹如是从同一摄像机、同一场景“拍摄”而成的，如图2所示。

图2 电影《少年派的奇幻漂流》镜头合成画面前后对比

“威亚”是英文单词“Wire”的音译，意为吊钢丝，是拍摄影视特技镜头“飞檐走壁”时常用的方法。钢丝的一头绑在演员身上，另一头穿过定滑轮掌握在拉威亚的人手里，通过或快或慢的收放实现空中表演，如俯冲、腾飞、跨越等。在数字合成过程中，数字合成师需要对拍摄特技镜头时所使用的威亚进行擦除以避免镜头画面的穿帮，从而表现无痕视效或视觉奇观。数字影视合成技术是电影制作流程中的最后一环，也是整个影视制作流程中最重要的环节之一，同电影剪辑一样，数字合成技术同样享有“化腐朽为神奇”的美誉，如图3所示。

图3 数字合成中的威亚擦除

2.2 威亚擦除常用技法

与绝大多数神奇的视觉特效相比，威亚的擦除完全是无痕视效的表现。虽然，威亚的擦除看似仅仅是擦除镜头画面中的一根线而已，但是在实际的制作过程中，威亚擦除是富有挑战和难度的。下面，笔者将从2D、3D以及一些自动化辅助擦除工具等方面来解说当前影视视效制作过程中威亚擦除的常用技法，如图4所示。

图4 数字合成中威亚擦除常用技法

2.2.1 逐帧擦除法

所谓“逐帧擦除法”是指使用擦除工具或笔刷工具将每一帧画面中的威亚进行擦除。对单帧图片中的威亚进行擦除是一件非常容易的事，但是当我们对镜头序列帧中的每一帧画面进行威亚擦除并达到影视级制作要求，这其实是一件非常具有难度的工作。因为使用逐帧擦除法进行威亚擦除一方面需要消耗数字合成师大量的时间和精力进行重复工作；另一方面，不完美的逐帧擦除还会引起威亚擦除区域在播放过程中的抖动和跳跃。因此，虽然使用逐帧擦除法能够解决所有情景下的威亚擦除，但是需要数字合成师具备较高的技艺与耗费较长的制作时间。相对来说，逐帧擦除法较适用于帧数较少、画面内容快速变化的镜头。

2.2.2 二维跟踪贴片法

所谓“二维跟踪贴片法”是指在制作过程中首先使用无损擦除的方式创建不含有威亚的“干净”单帧画面，然后再通过运动匹配的方式将“干净”的贴片补丁画面叠加合成到原始镜头之上以达到覆盖擦除的目的。二维跟踪贴片法是较为常用的威亚擦除技法，一方面通过引入二维跟踪技术可以提高镜头序列帧的制作效率，另一方面也可以避免逐帧擦除法引起擦除区域在序列帧播放过程中的抖动和跳跃等问题。

与此同时，在有些情况下，除了使用二维跟踪的技法，数字合成师还可以使用Stabilize (镜头稳定)的方法进行处理，即首先将威亚擦除的镜头画面进行稳定；然后再对稳定后的镜头进行固定区域的擦除，由于镜头已经作了稳定处理，所以对序列帧的处理就好比是在处理单帧图片；最后再将镜头稳定的逆运算返还给已经作威亚擦除的序列帧，在运动数据返还过程中，一方面使序列帧的画面同原始镜头保持相同，另一方面也使威亚擦除的数据应用到运动的原始镜头之上，从而达到擦除的目的。

2.2.3 借帧擦除法

所谓“借帧擦除法”是指由于摄像机或演员的运动造成威亚在序列帧中的位置前后不一，因些可以借助镜头序列帧内其它帧画面信息进行错帧擦除。相对来说，借帧擦除法更适合于固定镜头的拍摄，对于运动镜头的威亚擦除，数字合成师在擦除之前首先需要对镜头进行画面对位或图像变形等处理。通常情况下，使用借帧擦除法可以避免擦除过程中的噪点处理。另外，借帧擦除法还可分为借当前帧擦除和借其它帧擦除。

2.2.4 三维投影贴片法

所谓“三维投影贴片法”是指在软件(Nuke)的三维空间中将镜头的场景进行重建，通过摄像机机反求和摄像机投影的方式将不含威亚的“干净”单帧画面投影到三维场景中的模型上，从而达到覆盖擦除的目的。对于在实拍过程中，由于摄像机运动透视较大而引起较明显运动视差的镜头，使用常规的二维跟踪贴片法会显得有些捉襟见肘，此时可以使用摄像机投影技术将威亚进行擦除，这样的处理方式非常高效，但是前提条件是需要提供给数字合成师较精准的反求虚拟相机和三维场景信息。需要注意的是，三维投影贴片法对于三维场景中模型的空间位置有较高要求。

与些同时，对于更为复杂的背景，例如人物走动或车流运动，针对此类镜头的威亚擦除，在实际制作中也会采用渲染三维背景替换的方式进行解决。

2.2.5 自动化辅助擦除工具

所谓“自动化擦除工具”是指在数字合成制作过程中，在威亚擦除过程中所常用的插件或工具集。在这里笔者简单介绍Matador、Commotion、Furnace、Mokey以及Silhouette。

Matador是Parallax Software公司研发的一套抠像、绘图和威亚擦除的革新软件，主要针对于当时电视和电影市场。该软件的核心功能是绘图擦除、蒙版创建、动画和跟踪等。在九十年代末到二十世纪初期间，Matador参与了众多视效电影的制作。

Commotion是由工业光魔视效总监Scott Squires研发的软件。Commotion具备作为一款合格的威亚擦除软件的基本条件：Commotion中的Spatial Cloning (空间克隆) 可以实现借当前帧进行擦除；Commotion中的Temporal Cloning (时间克隆) 可以实现借其它帧进行擦除。

Furnace是由伦敦的Foundry公司最初在Flame软件平台上研发的一个插件，现在也已经是Nuke软件的内置工具集。在使用Furnace进行擦除时，数字合成师只需先定义好威亚的形状和宽度，即可进行威亚的快速擦除。

在威亚擦除过程中，往往伴随着大量的抠像和跟踪工作。Mokey系统的问世标志着抠图和擦除技巧迈出了革命性的一步。基于Mokey强大的平面跟踪技术可以在三维环境中跟踪物体以减少擦除过程中因透视改变而带来的运动视差困扰。目前，Mokey已经整合到Mocha Pro软件中。

Silhouette是一款获得奥斯卡学院奖的影视级视效制作软件，Silhouette拥有先进的Rotoscoping工作流程和非破坏性绘画工具。目前，该软件在影视级抠像和数字擦除中占有举足轻重的地位。

2.3 威亚擦除质量标准

对于影视级的威亚擦除，尤其是电影项目的威亚擦除有着较高的质量标准。首先，在制作过程中，数字合成师需要尽可能地保留原始镜头的图像像素信息，画面擦除的区域应该仅仅是威亚出现的区域；其次，在威亚擦除过程中，除了需要注意数字合成中最为基本的透视匹配、颜色匹配、清晰度匹配和运动匹配等方面，还需要注意噪点的匹配。在常规的制作过程中，不管是使用二维跟踪贴片法还是三维投影贴片法，甚至是逐帧擦除法，都需要在威亚擦除之前首先对原始镜头进行Denoise (降噪)处理，威亚擦除完成之后，再对贴片进行ReGrain (噪点匹配)处理；最后，对于因使用吊威亚拍摄引起的演员衣物拉扯、威亚在镜头画面中的反射、倒影或交互等现象，数字合成师需要在威亚擦除过程中进行图像变形效果的制作，从而避免因拍摄环节使用威亚而引起的镜头画面穿帮。

与此同时，对于难度较大的威亚擦除镜头，数字合成师往往还需要对镜头画面中不同区域的威亚采用不同的技术手段进行单独、分区处理。因此，对于以像素单元为质量检查标准的影视级威亚擦除，一位数字合成师花费数周时间进行一个镜头的威亚擦除也就显得不足为奇。

3 机器学习在图像修复和擦除领域的现状

近年来，图像修复和擦除是计算机视觉领域研究的一项重要内容，其目的是根据图像中已知内容自动地恢复丢失的内容，在图像编辑、影视特技制作、虚拟现实及数字文化遗产保护等领域都具有广泛的应用价值。下面，笔者将围绕目前较为成熟的“影片修复” “图像补全(Image Inpainting)” 和“数字合成软件中的机器学习工具”等方面对目前机器学习在图像修改和擦除领域的现状作简单陈述。

3.1 机器学习与影片修复

影片修复主要包括使用人工智能技术针对老电影画面中的脏点、划痕、闪烁、抖动、霉斑、撕裂、噪波等问题进行修复制作。影片修复和数字影视合成技术中的威亚擦除都可以归类为计算机视觉中的自然图像修复。在国内学术界，针对老电影修复中的斑点、划痕和闪烁等常见问题，已经有学者较早地提出了利用深度学习技术进行老电影修复的新思路和新方法。利用视频素材在时间和空间上较强的相关性和冗余性，通过机器学习技术，依赖预训练的人工神经网络可以完成有效的图像修复。

另外，国家中影数字制作基地研发的“中影·神思”人工智能图像处理系统在分辨率提升、黑白影片上色、电影调色辅助等方面有了较为成熟的商业项目应用与实践。与此同时，“中影·神思”人工智能图像处理系统也在高质量自动抠像、高质量威亚擦除和自动立体转制等方面开展了相关研究。

3.2 对图像补全的研究概述

随着近几年深度学习在视觉领域取得的卓越效果，越来越多的图形学研究者开始将目光投向深度学习。在图形学和视觉交叉的领域，一系列问题的研究正在围绕深度学习火热展开，特别是在图像编辑 (Image Editing)和图像生成 (Image Generation)方面都已经初见成效。图像补全正是介于图像编辑和图像生成之间的一个问题。图像补全最初是一个传统图形学的问题。问题本身很直观：在一幅图像上挖一个洞，利用图像其它信息将其补全，并且达到人眼无法辨别补全的图像部分的精度。

下面，笔者对研究学者在图像补全领域的研究作简单综述，希望对基于机器学习的威亚擦除有所借鉴。

（1）2014年，A. Criminisi, P. P'erez 和K. Toyama发表了论文《Region Filling and Object Removal by Exemplar-Based Image Inpainting》。该文的核心思想是利用图像本身的冗余性，利用图像已知部分的信息补全未知部分。但是，这个方法只适用于补全背景画面以低频信息和重复性纹理为主的图像。

（2）2017年，Pathak, Deepak Krahenbuhl和Philipp Donahue等作者发表了论文《Context Encoders- Feature Learning by Inpainting》。该文的核心思想是利用卷积神经网络来学习图像中的High-Level Feature (高阶特征)并利用这些Feature (特征)来指导图像缺失部分的生成。文章提出的网络结构包括以下三个部分：Encoder (编码器)、 Channel-Wise Fully-Connected Layer (卷积通道全连接层)以及Decoder (解码器)。通过将大数据和High-Level Feature (高阶特征)组合生成缺失部分的图像信息。

（3）2018年，Yuhang Song, Chao Yang和Zhe Lin等作者发表了论文《Contextual-based Image Inpainting: Infer, Match,and Translate》。该文设计了基于深度学习的图片修复系统，可以在图片缺失区域推断出较高质量的内容和信息。

（4）2018年，Kamyar Nazeri, Eric Ng和Tony Joseph等作者发表了论文《EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning》。该论文采用边缘推断信息的思路进行辅助缺失区域修复。

综上所述，在神经网络的帮助下图像补全是计算机视觉领域的一大热点。目前，研究界已经实现了单帧画面缺失图像信息的补全功能。这将为深入研究神经网络对镜头序列帧画面的自动补全技术，利用大数据和云计算等新技术，通过借用同一场次的所有镜头画面信息进行威亚擦除提供了一定的思路。

3.3 Adobe After Effects中的内容识别填充(Content-Aware Fill)功能

Adobe After Effects软件在其16.1版本后新增了内容识别填充的“一键擦除”功能。所谓“一键擦除”功能，即基于Adobe人工智能引擎和机器学习技术去除或替换镜头序列帧画面中不需要的画面元素。例如出镜的话筒、入画的标志或穿帮的路人等。在整个操作过程中，首先，用户需要使用遮罩指定需要被擦除的区域；然后，选择填充模式，目前内容识别填充提供了Object (对象)、Surface (表面)和Edge Blend (边缘混合)三种填充模式；最后，执行Generate Fill Layer (执行生成填充图层)即可开始渲染填充图层。另外，针对画面内容复杂的镜头，用户还可以在内容识别填充中创建参考帧以帮助内容识别工具提供相关参考，如图5所示。

图5 Adobe After Effects内容识别填充工具窗口界面

通过简单的步骤，即可使用内容识别填充工具将以往繁琐又耗时的擦除工作轻松地完成。但是，就目前而言，一方面由于内容识别填充工具可调节参数较少，生成填充图像存有纹理失真和模糊等问题；另一方面由于威亚擦除的质量要求较高。因此，目前该工具还不能完全胜任影视级的威亚擦除，但是可以用于粗合、预览或送审等版本的快速制作。

3.4 Nuke13 中新增的CopyCat机器学习工具集

Foundry在新发布的Nuke13中引入了新的机器学习工具CopyCat工具集，从而真正开启了基于机器学习的数字合成工作。该工具允许数字合成师通过训练人工神经网络协助艺术家完成一些繁琐的基础工作，例如Roto抠像或者画面修复。另外，CopyCat工具集可以从镜头序列帧中的某几个关键帧中学习某种数据，例如Roto抠像、美容修复或数字擦除，通过训练神经网络再将这些数据应用到整个镜头序列帧中，如图6所示。

图6 CopyCat工具集流程示意图

在操作过程中，数字合成师首先提取原始镜头参考数据。例如，如果想使用CopyCat工具集进行自动抠像，数字合成师首先需要对镜头序列帧中关键的帧进行手动抠像处理以使CopyCat工具集学习镜头序列帧中的部分信息；然后添加CopyCat节点开始训练数据并监视神经网络；最后再将训练出来的数据信息应用到整个镜头序列帧，从而实现自动化处理的目的，如图7所示。

图7 基于CopyCat机器学习功能进行自动抠像

基于Nuke软件强大而底层的构架，结合CopyCat工具集。除了常规的Roto抠像、数字擦除和画面修复等工作，相信数字合成师还可以做更多有趣与高效的创作。虽然仔细查看CopyCat工具集的自动抠像或数字擦除处理结果，仍然达不到质量要求。但是，基于CopyCat工具集的处理结果，结合数字合成师的手动修复和优化，可以为当下制作周期越来越短，视效复杂程度越来越高的项目起到关键作用。对于数字擦除中的威亚擦除亦是如此，虽然现阶段的CopyCat工具集还不能完全胜任综合度较高的威亚自动擦除，但是基于CopyCat工具集的处理结果，数字合成师可以在此基础上再手动优化威亚擦除过程中噪点匹配、衣物拉扯、交互处理、贴片创建和光影匹配等棘手问题，从而加快制作效率。

4 机器学习下的威亚擦除探究

如今基于机器学习的视效制作俨然已经成为视效制作流程不可或缺的一部分。在人工智能和计算机图形图像蓬勃发展的今天，作为计算机视觉和计算机图形学重要应用领域的数字影视技术必将会受到机器学习的深刻影响。

4.1 目的与现实意义

本文将跨界融合数字影视合成技术和机器学习，以影视数字影视合成技术中的自动威亚擦除作为机器学习和数字影视技术跨界融合的研究对象。就具体的目的和现实意义，主要包括以下三个方面：

第一，基于机器学习的自动威亚擦除技术的设计。在影片修复领域，通过借助计算机视觉技术和机器学习技术，以低秩矩阵重建、时空全局优化和深度学习等方法可以高效地解决诸如局部污损清理、褪色闪烁恢复、丢帧复原、大面积破损补全、抖动修正、黑白转彩色等问题。本文将以采用计算机视觉技术和机器学习技术下的影片修复为基础并以此延伸应用于数字影视合成技术中的威亚擦除问题。对于影视视效制作过程中的威亚擦除问题具有一定的参考与借鉴。与此同时，基于当下主流合成软件的机器学习工具集也已对外发布。例如，Adobe After Effects中的内容识别填充和Nuke13中的CopyCat工具集，这些基于机器学习的工具集聚焦于数字影视合成领域的数字擦除和画面修复。因此，对于专注于基于机器学习的威亚擦除研发与设计有一定的基础与推动作用。

第二，探索机器学习在数字影视合成技术的更多应用。在当前数字影视合成技术中，仍然存在较多重复性、纯体力的工作。数字影视合成技术中的威亚擦除具有重复操作和目标明确等特征，能够满足机器学习的基本要求。本文以数字影视合成技术中重复性操作较高的威亚擦除作为机器学习和数字影视合成跨界融合的突破口。另外，除了本文所研究的威亚擦除外，还包括高质量Roto抠像、自动化镜头畸变去除与添加、自动化镜头光晕匹配、自动化颜色匹配、自动化景深模拟和自动化噪点Regrain (噪点匹配)技术等。笔者相信，机器学习技术必将辅助数字合成师进行更好地创作，机器学习与数字影视合成技术也必将会擦出更多火花。

第三，促进人工智能技术应用于电影视效技术其它领域。通过本文的研究旨在促进机器学习与电影视效技术的跨界融合。同时，也会有更多关于当前电影制作中电影视效技术问题的探讨与交流，从而更进一步提升中国电影视效制作水平，推动中国电影走向世界。通过机器学习的许多方面的成功经验和尝试，可以扩展出新的想法和思路。因此，将机器学习应用于数字影视技术在自动化、节省人力成本等方面有许多想象空间，很多操作重复性、劳动密集型的工作都可以经由人工智能辅助更高效地完成。例如，自动化的数字绘景辅助系统、自动化音频修复与增强系统、自动化肌肉模拟与毛发解算系统、自动化特效仿真与解算系统等。

4.2 重点与难点

作为类脑计算领域的一个重要研究成果，深度卷积神经网络已经广泛应用到计算机视觉、自然语言处理、信息检索、语音识别、语义理解等多个领域，在工业界和学术界掀起了神经网络研究的浪潮，促进了人工智能的发展。虽然基于机器学习的人工智能在数字影视技术中的研发和应用才刚刚起步，但是这必将是将来影视工业体系的发展方向。就目前而言，笔者觉得基于机器学习的威亚擦除仍存有以下几方面的重要和难点：

第一，影视级威亚擦除的画面质量要求极高。与游戏制作不同的是，影视制作具有牺牲实时性换画质的特征。因此，如何提高机器学习的计算精度，如何提高画面的质量，如何增强机器与艺术家的交互将是基于机器学习的威亚擦除的重点和难点之一。

第二，数字影视合成技术中的威亚擦除情形不一。正如福楼拜所说，世界上没有两粒相同的沙子一样，数字合成师在日常工作中所处理的威亚擦除镜头千变万化。例如，有的威亚遮挡了演员的脸部，有的威亚引起较明显的衣物拉扯变形，有的威亚与演员头发丝存有交互等。因此，威亚在镜头序列帧中情形的多样性和不确定性也是基于机器学习的威亚擦除的难点之一。

第三，影视资产的共享与版权问题。为了提高机器学习模型的精准度，往往需要海量、多元的数据训练。但是，由于在影视视效制作领域，由于影视资产的版权保护，很难做到让机器学习获得大数据的训练，从而制约机器学习模型的精准度，威亚擦除的镜头往往是实拍类的影片，由于演员的肖像或影片的版权等因素，基本上很难做到将海量、多样的威亚擦除素材提供给机器进行开放地学习和训练。

4.3 展望

从早期的Matador擦除软件的研发到当下内容识别填充工具和Nuke13 CopyCat工具集的应用，基于机器学习的数字合成制作已经在路上。与此同时，笔者认为基于机器学习的自动威亚擦除等工具更多地将会以插件、节点或工具包等形式内置于当前的主要合成软件中。笔者相信在接下来的版本迭代或新工具集研发中，基于机器学习的威亚擦除在画面精度上会有所提升；机器与数字艺术家引导或非引导式的交互创作过程也将更加友好。

5 结束语

如何借力人工智能新技术减少艺术家的重复性操作以提高影视制作的效率将是当下影视制作研究的重要方向。基于人工智能不是替代艺术家而是辅助艺术家的理念，本文研究的领域是基于机器学习的数字影视合成技术，这具有一定的前瞻性和创新性。本文较系统地介绍了当下数字合成中的威亚擦除基本概念、常用方法与质量标准，希望对研发基于机器学习的威亚擦除系统有所参考。

注释、参考文献：略

投稿邮箱：mpvt@crifst.ac.cn