杨净 萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI
最近，当时吴正在与谷歌合作一个项目。“他试图在互联网上找猫 — 他描述的不是那样，我身边的朋友，但他就是那样做的，突然一个个都变成了圣斗士！
像这种比较炫酷的“飞天”黄金圣斗士，”Dally 说。吴当时在谷歌 X 实验室从事一个项目，连影子都惟妙惟肖的：
点击播放 GIF 0.0M
还有这种在办公室偷偷变身双子座圣斗士，旨在构建一个可以自行学的神经网络。这个神经网络在 YouTube 上观看了 1000 万个视频，想要拯救世界的：
点击播放 GIF 0.0M
又或者是在自家小花园里变成处女座圣斗士，并学会了如何认出人脸、身体和猫 — 但要准确做到这一点，打破次元壁的：
点击播放 GIF 0.0M
还有白羊座、天秤座、射手座圣斗士……怎么回事？
原来，系统需要数千个 CPU（处理器），这是一群程序员做出的移动端3D圣衣特效，即为计算机提供动力的主要处理器。“我说，现在只用一手机，‘我敢打赌，就能随时随地“变身”圣斗士。
点击播放 GIF 0.0M
又一童年梦想被实现了有木有！
如果不想打开摄像头，我们只需要几个 GPU 就可以做到同样的事情，也可以只用一张照片，’”Dally 说。GPU（图形处理单元）专门用于处理更密集的负载，就能成功“变装”：
点击播放 GIF 0.0M
不过，要实现这样贴合的效果并不容易，单从技术本身来看，就充满了挑战性。
在他们之前，甚至根本就没有人将这类技术应用到手机上。
而整个项目也是联合渲染、设计两个团队，一鼓作气耗时10个月才完成。
毕竟要守护心中的雅典娜，多少付出都是值得。
电影游戏界的“重金特效师”
这项耗时10个月打造的技术，就是好莱坞片和3A（高成本）游戏作中才会用到的动作捕捉。
说到这项技术，或许有的人还会感到陌生，但像《阿凡达》《指环王》这样的好莱坞电影、或是《刺客信条》《生化危机》这样的3A游戏，你一定听说过。
没错，这其中的许多经典特效、角色动作设计，都采用了动作捕捉技术。
由于能直接记录动作，这项技术能幅缩短制作特效的时间，同时能让角色表情、动作看起来更真实。
对手K动画设计师来说，能降低设计工作量；对虚拟直播（Vtuber）、体育和医疗等领域来说，动作捕捉不仅能实现逼真的动作还原，还能实现实时动作记录。
听起来非常诱人，但这其实是一项高门槛技术。
首先，要想实现逼真的动作还原效果，就必须对硬件提出高要求，主流的惯性和光学动作捕捉技术，基本都需要传感器，便宜的效果还不好。
以（惯性动捕）游戏《舞力全开》为例，虽然硬件成本低廉（甚至能用手机当传感器），但由于只有手传感器，无法检测腿活动，体验并不好，还诞生出了像“轮椅舞王”这样的梗。
点击播放 GIF 0.0M
其次，为了将干扰、延迟降至最低，需要预留空间。以专业的Vtuber（虚拟主播）为例，他们直播所采用的动作捕捉技术，基本都需要10×10米的房间来降低干扰。
最后，数据计算量。动作捕捉系统获得的只是堆坐标数据，后期不仅要进行专业数据处理，同时还需要高性能计算机显卡来实现。
集硬件成本、环境、计算量等限制为一身的动作捕捉，要是之前说要把它用到手机上，可能立刻会有人说这是痴人说梦。
然而科技的发展总能给我们带来意想不到的效果。
微视团队中一群做计算机视觉的程序员，就只用一手机将黄金圣斗士的铠甲贴合在人物身上，而且确实成功了，实现了实时的处理效果。
但手机端动作捕捉技术，并不好做。
自研移动端算法，筛选7k+顶点
只用一普通的手机，意味着两个难点：计算量受限、坐标深度只能靠预测。
相机生成的照片，通常只有2D信息。要想从2D中还原出3D信息，需要找到一个能够预测坐标深度的函数，使之预测的3D信息尽可能逼近真实值。
对于真实度要求很高的动作捕捉技术而言，这意味着精度和实时性都要受到挑战。
目前已有的移动端AI技术，只能实现实时动作捕捉的一分功能，包括人体/人脸检测、和基于2D/3D骨骼关键点的姿态估计技术，也就是我们常见的“火柴人”算法。
点击播放 GIF 0.0M
但“火柴人”算法显然没有3D Mesh贴合度高，因此团队决定，将3D Mesh搬到移动端上，自研一套基于3D Mesh的移动端姿态估计算法。
这套算法相当于重建人体表面的7000多个特征点，以及15000多个三角面片，不仅能够还原人体的基本动作，还能预测出人体的高矮胖瘦。
点击播放 GIF 0.0M
除此之外，团队还从3个方面，对模型进行了整体优化。
其一，从动作捕捉精度和模型小两方面，对自研模型进行调试。
据微视团队表示，移动端已有的基于3D骨骼关键点的驱动阀，虽然可以驱动虚拟人体，在同一场景下做各种动作，但这套算法存在一些不足，需要自行调整。
例如，算法偶尔会出现不正常的抖动，包括虚拟人物突然“形变”的情况，如下图脚掌翻转。为此，团队还给算法加上了平滑滤波，使得人物动作看起来更真实，进一步提升模型精度，避免像下面这种抖动。
点击播放 GIF 0.0M
△脚掌不正常的翻转抖动
同时，在精度以外，团队还要保证在移动端实现3D Mesh。为了做到这一点，除了在其他模型方面尽可能整合压缩以外，团队也对模型本身进行了一个简化。
其二，从数据采集来看，团队也下了不少功夫。
由于移动端3D Mesh数据需针对性采集，微视团队搭建了自动化的数据采集系统，帮助快速采集到高质量动捕数据。
点击播放 GIF 0.0M
虽然Kinect的实时动作捕捉效果一般，但用于数据采集还是非常不错的，三台结合起来就能获得完整的深度信息。
为了确保模型的泛化性，除了尽可能多找18~60岁的不同人物数据进行采集以外，程序员们还采用了数据增强和半监督学来增强模型的泛化能力。
在数据增强这块，为了加强模型辨认人体与周围环境的能力，程序员们将获取到人体的mask信息进行提取，随机贴到其他背景的图片上，创造出更多不同背景信息的图片；同时，团队也采用了神经渲染、GAN等技术，来生成更多的训练数据。
在半监督学上，程序员们结合辅助任务，对2D关键点模型进行训练、提升模型的泛化能力。
其三，就是团队对实时性和特效渲染做的兼顾。
模型结构的整体设计和优化都只是“基本操作”，例如将串联运行的模型改成并联运行等；在推理上，团队还基于优图的TNN移动端深度推理框架，实现了模型的高效推理，最终将模型的推理时间从15ms降低到了11ms。
这里面的一个难点，就是要确保渲染效果和移动端性能（实时性）的兼顾，既要让画面看起来比较精致，又不能让软件运行速度太慢。
因此，团队先采用了自研3D渲染引擎增强光影效果，并利用SSAO、IBL等技术增强阴暗角落处的阴影质量，使得整体渲染效果与目前主流手游非常接近；
同时又进一步适配不同机型，采取分级策略，确保在各种手机上都能取得不错的运行性能。
显然，要想实现上面这些技术，呈现出最终的圣斗士特效，微视的设计师们同样功不可没。
甚至可以说，微视团队中，就连设计师也都是“技术硬核”的存在。
设计师也学代码？
从最初产生想法、打磨研发，一直到最终呈现，10个月的时间，对于一个研发团队来说并不短。
当中，除了技术本身的实现难度之外，还牵涉到整个系统的协同配合。
从最开始的CV技术研发、到移动端的署，以及渲染，最后制作成一个特效工具……整个技术生产链条的打通需要各个团队充分合作。
就比如，像把盔甲穿在人身上，这样一个看似简单的动作，就需要、算法、设计三个组的同学协同调整。
点击播放 GIF 0.0M
一位设计组的旁友直呼：这分的钻研和调整超过了制作模型的时间。
但即便如此，他们也有自己的制胜法宝。
首先，目标一致。
概也是因为围绕圣斗士这一主题，团队内也有很多的年轻人，所以整个技术磨合阶段并没有出现过什么Battle。
嗯，为了同一个梦想，各自都在燃烧自己的小宇宙！
另外小小剧透一下，由于整个链条已经打通，接下来团队会用技术做一些发散，尝试其他IP角色。
（疯狂暗示）
其次，就是技术思维。
即便是与核心技术没有那么强关系的设计组，也坦言前沿技术的更迭很快。
可能去年学的新技术，可能到今年就已经过时了，要多花时间一些时间钻研前沿技术。
尤其是在被问到给当前要毕业的设计同学建议时，更是言简意赅：
学点代码，很有帮助。
确实很技术，很硬核。
一边不断接触各种前沿技术，享受着从研发到落地整个链条，另一边还能完成“拯救世界”和“守护女神”的梦想，这是团队内提及最多的成就感。
也唯因如此，才能将硬核技术攻克下来，成为每个人都能触达的好玩特效。
最后还想再替相信「光」的年轻人问一句：
奥特曼，真的不打算安排上么？
免责声明：文中图片均来源于网络，如有版权问题请联系我们进行删除！
