你站在街上歪头瞅摄像机，我在100年后隔着屏幕瞅你

原创 木子Yanni 浅黑科技 来自专辑隐秘往事

你站在街上歪头瞅摄像机

我在 100 年后隔着屏幕瞅你

文 | 木子Yanni

比「改编自真实事件」更震撼的，是直接站在真实面前。

前段时间，一位叫做大谷的 90 后北京小伙儿，无意中看到了一段拍摄于 1920 年左右的珍贵影像视频，他灵光一闪，借助科技的力量，用人工智能对视频进行了修复，让我们有幸目睹了 100 年前北京城真实的烟火气。

街道上，行人、车马交错而行，《骆驼祥子》里的黄包车穿梭而过；如今要深入沙漠才寻得到的骆驼，正驮着货物稳步走在大街上；小小的院儿门口，有催促孩童的动，也有挑担卖货的静，甚至在 30 秒内，就上演了三种不同的问候方式；与现在不同，那时街上悠然闲逛的大多都是男性；一个转头，还能瞅见街边兴致盎然接力逗狗的老哥。

三种问候

截图来源于YouTube:人民日报

没想到，时隔月余，大谷的“老北京 Vlog”第二弹又来了。

这一次修复的视频，拍摄于 1928 年前后，与第一弹视频仅相隔 10 年，却能明显看到变化：十年前，人们在街头看到摄像机时，或盯住几秒钟后仓皇逃开，或原地看呆逐渐石化，或因好奇而一步三回头，想看又不敢看。

众人惊呆相

截图来源于YouTube:人民日报

十年后，在小院儿里剃头的随便一位路人小伙儿，都能神态自若的对着镜头，潇洒的拍拍自己刚剃好的头，用地道的老北京话反复念叨着：“不错、剃挺好，不错、剃挺好...”

“不错，剃挺好”

截图来源于B站：大谷的游戏创作小屋

街边一拥而上打午饭的孩子们，眼睛盯着摄像头，等着端饭的手却丝毫没受影响：吃饭最重要，害怕？不存在的。

“我也要、我也要”

截图来源于B站：大谷的游戏创作小屋

你再瞧这个舔碗的靓仔，是不是跟你小时候如出一辙？

“真香，还想要...”

截图来源于B站：大谷的游戏创作小屋

此外，视频中还有摩肩接踵的集市、街头的民俗乐队等场景，一个熟悉又陌生的年代，瞬间跃然于眼前。

古人不见今时月，今月曾经照古人。

你站在街上歪头瞅摄像机，我在 100 年后隔着屏幕看你。视频中的他们，见证了历史，而我们正在回望，如果要说遗憾，大概是模糊的画面，遍布历史划痕；黑白的色调，失了时代本色。

于是，大谷利用人工智能，从三个方面对视频进行了修复。值得一提的是，第一弹视频中的声音，是用素材后期配的，而这一次的修复，全部都是时代原声，有兴趣的话，各位可以去看完整版视频（比如 B 站搜索「大谷的游戏创作小屋」）。

接下来，我们一起来看看，当你在看修复版视频的时候，视频到底修复了些什么。

（一）顿顿顿顿顿

如果你看过早期的影视作品，比如 83 版射雕、86 版西游记、94 版三国，大概率会有这样的感受：明显看到画面在跳动，仿佛摄影师得了帕金森一般。

为什么会这样呢？

我们需要先弄清楚一个问题：当你在看视频时，你看的到底是什么？剧情、演技，还是中间插播的广告？都不是。

其实是一连串图片。

我们现在看到的电影，绝大多数都是 24 帧，意思是每秒由 24 张图片组成。电影在播放时，24 帧既能保证你看到的画面是流畅的，也能恰到好处地继承优良传统：最初，电影拍摄离不开胶卷，虽然帧数越多，细节表现就越好，但每一帧都是钱啊，经过认（扣）真（门）对比，优秀的电影人发现，24 帧是性价比最高的选择，既不会浪费胶卷，画面的流畅度也能达标。尽管如今已经是数码时代，但 24 帧的传统依然保留了下来。

如此看来，老旧视频卡顿的问题就有答案了，因为帧数不够。刚才有提到，要想画面流畅，每秒就不能少于 24 帧，而老电影是低于这个数字的，比如大谷修复的那部 100 年前“老北京 Vlog”，帧数都在 10 以下，用我们已经娇生惯养出的好莱坞大片观感来审视，只能是囫囵吞水，“顿顿顿顿顿”。

帧数不够，补帧来救。但要清楚一点：因为补出的帧，原本是不存在的，所以补帧需要依靠想象力。

传统的补帧方法主要有三种：帧采样、帧混合，以及光流法。看到这儿，有句话恐怕要应验了：专有名词一出现，吃瓜群众走一半。其实，Duck 不必，我们逐一来看。

第一种，帧采样。是指把前一帧复制到后一帧，简单来说就是 112233。

第二种，帧混合。是指在前后两帧中间合成一个新的帧，同时调整新合成帧的透明度，做出画面过渡的感觉，也就是1、1.5、2、2.5、3。

第三种，光流法。什么是光流呢？当一只蝴蝶从你眼前飞过，蝴蝶的移动轨迹会在你的视网膜上形成一连串变化的图像，仿佛光在流动，于是，你就看到了蝴蝶的飞舞路线。换句话说，光流有记录物体位置移动信息的能力。光流法补帧，就可以简单理解为，找到物体在相邻两帧之间的位移，在位移中补出中间帧。

举个栗子，我们看下面这张图，假设物体在帧 1 中的位置是 1，在帧 2 中的位置是 3，在帧 3 中的位置是 5，那么，根据光流确定相邻两帧中物体的位移情况，就能在 1 和 3 中补出 2，在 3 和 5 中补出 4，这样一来，原本 3 帧的视频就补成了 5 帧，看起来，物体的运动就会流畅很多。

运动物体的光流

以上这三种补帧方法，在物体处于平移状态的时候，效果比较好，但是，如果物体处于旋转跳跃不停歇的状态下，效果就要大打折扣了。比如一只正在跳旋转舞的小熊，上一帧你还只能看到臀部，下一帧它的小短尾巴就出现了，像这种上一帧没有、下一帧突然出现的情况，传统的补帧方法就不太好用了。

另外，在补帧的时候，还有一种非常难处理、但又非常常见的情况，就是有其他物体乱入，导致目标物体被遮挡。

比如你在海边想给女朋友拍一段冲浪的视频，但海里都是人，不停有人挡在你女朋友面前，这种情况下，如果你后期想把视频从 24 帧补到 30 帧，就非常难，你想，软件正在专心脑补你女朋友的冲浪动作，一位路人甲突然出现，把软件的预测给打断了，画面就会出现一种情况：叠影。

叠影大概就是这样，你感受一下

针对这种复杂场景下的补帧，AI 的优势就显现出来了。

在修复 100 年前的“老北京 Vlog”时，大谷用到的 AI 工具是 DAIN (Depth-Aware Video Frame Interpolation)，中文名叫做“深度感知视频帧插值”，这是一个开源的人工智能补帧软件。它的优秀之处在于兼顾了光流和深度，不但能准确追踪物体的位置移动，还能检测到物体遮挡。光流刚刚已经讲过了，这里再来说说物体遮挡检测。

DAIN 的架构图

你眼中的视频是平面的没错，但视频中的世界却是立体的。DAIN 利用算法，可以猜测出每一帧中不同物体的深度信息，根据深度的不同，AI 就能知道是谁遮住了谁，接下来，根据“遮挡物近、被遮挡物远”的原则，就能较为精准地确定画面中物体的边缘轮廓，避免出现叠影，从而产生更好的补帧效果。

深度图中，不同颜色代表不同深度值

（二）糊糊糊糊糊

对于视频来说，画面流畅远远不够，清晰也很重要。

如果画面很朦胧，你连主演的表情都看不真切，就不能揪着 Ta 的演技口吐芬芳，从而失去一个闲谈时的八卦谈资，进而你会质疑当下的视频制作水平，你的不信任就会阻碍视频行业的健康发展，为了这一切不会发生，画面必须要清楚。

提到清晰度，你肯定会想到 480P、720P、1080P、2K、4K，那么问题来了，怎么才能把 480P 的视频提升到 720P 呢？重拍。

除了重拍呢？那就是超分辨率重建。

超分辨率，意思是用硬件或软件提高原图的分辨率，这个处理过程，就叫做超分辨率重建。

超分辨率重建技术可以分为两种，一种是多合一，多张低分辨率图片合成一张高分辨率图片，另一种是单重建，用单张低分辨率图片恢复一张高分辨率图片。大谷在修复 100 年前的“老北京 Vlog” 时，用的扩增分辨率工具 ESRGAN，就属于后者。

ESRGAN 全称叫做「增强型超分辨率生成对抗网络」，是由 SRGAN (超分辨率生成对抗网络) 升级而来，它们都是基于生成对抗网络的超分辨率方案。

生成对抗网络 (Gan) 可以看做是两个小人在博弈，一个小人叫做生成模型，另一个小人叫做判别模型，生成模型小人的任务是以假乱真，用超分辨率技术造出可媲美原图的照片，而判别模型小人的任务则是明辨真假，判断眼前的照片究竟是原图还是对手生成的，两个小人在长期的斗智斗勇中，水平越来越高，基于这个模型训练出来的 AI，就能够越来越精确的重建出高分辨率图片。

ESRGAN 不仅继承了前身 SRGAN 优良的全局把控力，而且通过调整算法，弥补了之前的短板：容易丢失细节。如此重建出来的图片，与原图相差无几。

从下图中可以明显看出，用 ESRGAN 重建的照片，细节 (胡须) 呈现的更好。

SRGAN、ESRGAN 还原效果

与实际画面的对比

但不得不说，有时候，“画至清、则有瑕”，画质太过清晰，也难免会把“瑕疵”推到观众眼前，这一点在老电影修复的过程中，就常常会发生。比如在《亮剑》修复版中，就出现了无比醒目的穿帮镜头：

截图来源于《亮剑》修复版

所以，在此友情提示：观影重在沉浸感，你可以专注于看剧情、看演员、看特效，别的就算了，能过就过，千万别较真，比如我就根本没有注意到某部电影中精良的化妆技术。

截图来自于某部忘了名字的电影

（三）给黑白加彩

1839 年，法国画家达盖尔成功做出了世界上第一台照相机，人们惊奇的看着这个奇怪的木匣子，兴奋又忐忑地围观着这门独一无二的“新艺术”。然而，当照片呈现在眼前，人们的兴奋却变成了失望。

照片，记录下了每一个精致的细节，可是颜色去哪儿了呢？

本着“顾客就是上帝，上帝不能失望”的商业准则，一场声势浩大的色彩捕捉行动开始了。科学家、摄影师、艺术家都参与其中，拼命想找出能让照片显示出色彩的办法，然而一圈下来，毫无进展。

情急之下，一个替代方案诞生了：上色。

值得一提的是，绝大多数情况下，摄影师和上色技师并不是同一个人，最后的呈现效果，极大依赖于技师的理解和审美。所以你瞧，照片上色这个事儿，从一开始就属于二次主观创作。

照片上色主要经历了三个阶段，首先是彩色胶卷问世之前，当时的照片上色纯靠手工，也就是画。鸦片战争打开了中国国门，让摄影技术进入了人们的视线，也催熟了国内的照片上色行业，甚至在新中国成立之后，还专门举办了上色技师评比大赛，大家说好，才是真的好。

上世纪30年代

明星周璇17岁时的手工上色照片

手工上色从工艺上来看，分为水色和油色两种，水色就是水彩类颜料，优点是画面通透，油色则是油性颜料，优点是保存持久。相比之下，油色更受欢迎。

上色不是直接用笔在照片上画，需要先给照片褪色：先用铁氰化钾，把照片上的黑色变成白色；再用硫化钠，把照片整体调成棕色；接下来，就可以在这张棕色的“画布”上进行填色了。

1935 年，柯达克罗姆彩色胶卷问世，彩色摄影成了主旋律，照片上色也走进了第二个阶段：数码调色。工具就是各位熟知的 Photoshop (PS)，可谓是“PS 在手，万物皆可彩色”，不变的，依然是二次主观创作的属性。

时间再往后走，照片上色来到了第三个阶段：AI 填色。

人工智能本不认识颜色，看的多了，也就会猜了。修复 100 年前的“老北京 Vlog”时，大谷用的 AI 上色工具叫做 DeOldify，是由一位美国小哥首发在 Twitter 上的开源软件，我们先来看几个它过往的作品。

DeOldify 的工作步骤大概是这样：对照片进行图像分割，识别出图像中的所有元素，接下来，学习大量包含这些元素的数据集，填鸭式记忆物体的常规颜色，比如海洋蓝、树木绿，最后，学以致用，给黑白照片填充上合理的颜色。

如果给人工智能一个完美的数据集，它恐怕能给灵魂涂上颜色。

起初，DeOldify 只被用来做照片上色，鉴于它出色的表现，才开始让它为老电影上色，从效果来看，依然惊艳，正如在“老北京 Vlog”中的表现一样，DeOldify 带我们穿越历史，跳出曾经无数次背诵过的历史考点，隔着百年时光，感受属于小人物的平凡和精彩。

Jason Antic借助DeOldify

为1936年的老电影上色

而在第二弹视频中，大谷使用了 AI 新技术 DeepRemaster，在全局表现效果来看，更加优于 DeOldify，这就是 AI 后浪的力量。

不过，从实际效果来看，惊艳中仍有遗憾，比如视频中的上色不是 100% 精确的，因为人工智能学习使用的数据集，还不能涵盖这一历史时期的所有色彩样本，所以只能说，这种上色效果是合乎常理的，是人工智能基于现实所带来的浪漫复现：给不了你真实，只能给你一种真实的可能性。

突然想起一句话：我们所谓的故乡，不过是祖先流浪的最后一站。

回望视频中的这些人，他们一生经历了些什么，我们不得而知，但在 AI 的修复下，时光突然被折叠，我们有幸得以瞥见他们人生中的一瞬真实，已经是科技最好的馈赠了。

是路人，也该好好路过。

自我介绍一下：我是木子Yanni，想和我做朋友的话，搜索微信：Muzi_Yanni 就可以找到我了。

后之视今

亦犹今之视昔

原标题：《你站在街上歪头瞅摄像机，我在 100 年后隔着屏幕瞅你》

阅读原文