11
5月
2020

网约车维权老大难快手快说车“汽车热心人”帮助老铁成功维权

近年来,网约车一直是社会广泛关注的焦点,不仅乘客维权投诉频见报端。不少车主也遇到了维权难的问题。在维权过程中,五花八门的平台条款和汽车故障,平台客服效率低下等问题,也让维权之路显得越发困难。快手快说车频道近期上线“汽车热心人”栏目,专注老铁与车的故事,帮老铁解决“车”相关的购用困扰,备受汽车消费者的关注与支持。

近日,滴滴司机朱先生向快手快说车“汽车热心人”栏目反映:按照滴滴要求,朱先生在自己的车上安装了行车记录仪,这导致了汽车电瓶的报废。根据4S店检测报告,应由滴滴进行全额赔付,但滴滴仅答应赔付50%。多次向滴滴客服投诉无果后,朱先生找到“汽车热心人”寻求帮助。

湖北新增确诊病例1例(武汉1例),新增治愈出院病例893例(武汉836例),新增死亡病例12例(武汉11例),现有确诊病例8701例(武汉8304例),其中重症病例2782例(武汉2695例)。累计治愈出院病例55987例(武汉39220例),累计死亡病例3111例(武汉2480例),累计确诊病例67799例(武汉50004例)。新增疑似病例0例(武汉0例),现有疑似病例3例(武汉1例)。

累计收到港澳台地区通报确诊病例235例:香港特别行政区157例(出院88例,死亡4例),澳门特别行政区11例(出院10例),台湾地区67例(出院22例,死亡1例)。

通过AI算法,老胶片存在的收缩、卷曲等问题都可以得到解决,但是胶片的撕裂、划痕等都需要专业的修复师一帧一帧地进行修补。但是胶片的撕裂、划痕等都需要专业的修复师一帧一帧地进行修补。

因此,DAIN每秒会自动生成36个图像然后添加到电影中。除此之外,基于同样的AI技术,神经网络可以将一堆彩色照片转换为黑白,然后再训练它重建彩色原稿,这样就可以把黑白电影,转换成彩色。如下视频展示的那样。

每个模块都是由一个或者多个深度学习模型组成。综上所述,利用卷积神经网络和最先进的图像识别技术,让经典老电影重现光彩已经不是遥不可及的事情。与其他方法相比,通过基于深度学习的技术来修复电影可以节省时间和精力。经典电影的修复和数字化也能使人们能够更方便地获得更多文化产品。

框架合成。为了生成最终的输出帧,作者构建了一个帧合成网络,该网络由3个个残差块组成。并将扭曲的输入warped深度图、warped上下文特征、warped和插值核连接起来作为帧合成网络的输入。此外,还对两个warped帧进行线性混合,并强制网络预测地面真实帧和混合帧之间的残差。

另外还对整个模型进行30个epoch的联合训练,然后将每个网络的学习率降低0.2倍,并针对另外10个epoch对整个模型进行微调。值得一提的是,作者在NVIDIA Titan X(Pascal)GPU卡上训练模型,大约用了5天达到收敛状态。

截至3月16日24时,据31个省(自治区、直辖市)和新疆生产建设兵团报告,现有确诊病例8976例(其中重症病例2830例),累计治愈出院病例68679例,累计死亡病例3226例,累计报告确诊病例80881例,现有疑似病例128例。累计追踪到密切接触者681404人,尚在医学观察的密切接触者9351人。

在短视频爆发的时代,短视频不仅仅是作为人们茶余饭后的娱乐消遣,在消费者维权中也越来越凸显作用。快手快说车“汽车热心人”,就是这样一档专注为全国车主发声的栏目。以消费者为核心,通过强社交的直播和专业的维权团队,保护消费者的合法权益。

开国大典、决胜时刻皆是AI修复

DAIN这篇文章的第一作者Bao Wenbo,是上海交通大学电子信息与电气工程学院的博士生。具体工作是基于其在2018年发表的论文MEMC-Net做的改进。

将百年老片修成4K大片,深度学习技术出了不少力,更为具体的是视频插帧技术在深度学习里的体现。当然,深度感知视频帧内插(Depth-Aware Video Frame Interpolation)也不是最近才出现的技术。早在2019年,此项技术的相关论文就被收录到CVPR 2019,相关算法也已经开源在了Github上。

《火车进站》这部短片原始原片质量非常模糊,分辨率非常低。Shiryaev使用Gigapixel AI渲染后,自己为这部电影加上声音后,观影体验竟然完全符合现在的标准。

如果不是电影黑白的画面和胶片电影独有的画面抖动,画面流畅度和清晰度几乎可以与现在的智能手机相媲美。这部影片的修复工作是由一位名叫 Denis Shiryaev的男子完成的,其所使用的是Topaz实验室的Gigapixel AI以及DAIN image 图像编辑应用程序。在修复过程中,他不仅将镜头提高到4K,还将帧率提高到每秒60帧。

关于实验结果,放两张在不同数据集上与近年论文的优劣,这里不做过多分析。总的来说,作者提出了一种depth-aware视频插帧方案,并尝试显式的解决遮挡区域的问题。借用PWC光流coarse-to-fine的思路,尝试解决large motions的问题。使用学习的分层特征和深度作为上下文信息,更好的合成中间帧。那么,这种类型的深度学习技术在具体的电影修复中能发挥什么样的作用呢?2019年的几部AI修复的影片或许能给我们答案。

而爱奇艺开发ZoomAI也是一款基于深度学习的视频修复技术,此技术内部由多个模块组成,每个模块负责一种或者几种画质增强的方向,比如超分辨率,去除噪声,锐化,色彩增强等等。

这部电影在1989年9月21日初映,全片分为18卷,共164分钟。由于当时的拍摄条件,重新上映必须修复画质。在修复过程中,制作方最大化地利用DRS修复系统的功能,把自动化修复与人工修复结合。

一个深度感知光流投影层来合成中间流,中间流对较远的对象进行采样。此外,学习分层功能以从相邻像素收集上下文信息。更为具体的如上图所示,整个算法分为光流、深度、上下文特征、插值kernel、框架合成这几个部分。

上下文特征部分,作者提出,在CtxSynNet论文中已经证明上下文信息(contextual feature)的加入对视频插值有一定帮助。所以在这篇论文中,作者基于Residual block自己设计了一个提取上下文特征的网络,并从头开始训练。

根据官网介绍,Gigapixel AI软件内嵌专有的插值算法,在分析图像的同时能够识别图像的细节和结构,即使将图像放大 600%,它也可以使图像更清晰。值得一提的是,电影中的图像有的是通过GAN生成的。

而这个新的插帧算法DAIN比英伟达的算法效果更清晰、帧率更高,可以把30fps的进一步插帧到480fps。具体到算法层面,研究人员提出了一种通过探索深度信息来检测遮挡的方法。

在具体的训练策略中,作者使用AdaMax优化网络,分别设置 β1 and β2为0.9 和 0.999,并将核估计、上下文提取和帧合成网络的初始学习率设置为1e−4。由于流估计和深度估计网络都是从预先训练的模型初始化而来的,因此分别使用较小的学习率1e−6和1e−7。

在光流估计模块,采用PWC-NET光流估计模型,由于在没有监督的情况下学习光流是非常困难的,所以作者从预先训练好的PWC-Net中初始化光流估计网络。

由于当时的胶片技术尚未成熟,我们可以看到画面景物都是比较模糊的,火车在驶来的同时还带有明显的拖影。但经过了神经网络的画面分辨率增强和插帧之后,这部老电影获得了4K ~ 60fps的画质。

插值kernel自适应warping layer部分,主要思想是通过光流找到像素的新位置后,将其新位置周围4×4范围内与一个特殊的kernel相乘后作为该点的像素值。这个kernel由两部分相乘得出,一部分是我们图像缩放时常用的双线性插值,其中每个位置的权重只与坐标距离有关,另一部分也是一个内插值kernel,是通过网络学习得出的。

具体效果类似于英伟达开源的Super SloMo,即能够从普通的视频“脑补”出高帧率的画面,从30fps插帧到240fps,即使放慢8倍也不会感到卡顿。

除了《开国大典》,9月份上映的《决胜时刻》也是采用了AI技术,据电影制片方爆料,这段材料来自于俄罗斯的一段彩色纪录片,但由于年代久远,画质模糊,色彩失真。而经过了复杂的 4K 修复工作之后,最终呈现出这般极致的画面体验。

另外,《厉害了,我的国》就是中影电影数字制作基地数字修复中心主任肖搏及其团队利用AI修复进行的一次尝试。

损失函数是真实帧和混合帧之间的残差,这种函数名为Charbonnier Loss,是一种L1 loss的变种,只不过加了一个正则项。所采用的训练数据集是Vimeo90K,其有51312个三元组用于训练,其中每个三元组包含3个连续的视频帧,分辨率为256×448像素。

此外,老常也与滴滴客服总经理进行电话连线,就滴滴客服态度问题进行探讨。滴滴客服总经理表示,滴滴客服接到投诉电话后,除小部分需要线下核实的情况外,其余问题都会给用户即时反馈。针对事件紧急情况的不同,会有不同的分级及对应的解决方案,并在APP页面展示处理进度。对此,老常表示,客服态度是品牌的门面,在此次事件的处理上,滴滴愿意直面问题,整体反馈还是良好的。希望日后客服反馈都能做到件件有回音,事事有着落。

3月16日0—24时,新增报告境外输入确诊病例20例(北京9例,上海3例,广东3例,浙江1例,山东1例,广西1例,云南1例,陕西1例)。截至3月16日24时,累计报告境外输入确诊病例143例。

DAIN基于深度学习的视频插帧技术

雷锋网原创文章,。详情见转载须知。

汽车维权专家@汽车热心人-老常 接到朱先生的求助后,在直播中多次拨打滴滴客服电话帮助朱先生维权。但滴滴客服以投诉人信息不全等理由,多次推脱。在反复沟通后,滴滴客服终于与朱先生取得联系,并安排专人到现场调查核实。最终,滴滴赔付朱先生由于安装行车记录仪导致电瓶报废产生的所有费用。至此,朱先生向“汽车热心人”反映的问题得到圆满解决。

去年是建国70周年,除了气势恢宏的阅兵给人们留下了深刻的印象之外,10月下旬上映的《开国大典》也着实让人感动了一把,这部电影展现了三次战役胜利到开国大典的整个历史过程。

在深度部分,不同于过去的网络模型采用的是计算平均值的方式,为了处理处理遮挡区域的问题,此作者提出了一种使用深度辅助来计算tt时刻的光流融合结果。融合的权重使用的是深度值的倒数,简单的来说就是深度值越大的像素(距离越远的像素),在光流合成的时候所占的权重越小。

另一方面, DAIN (Depth-Aware Video Frame Interpolation)可对电影中的帧进行预测,并将其插入现有视频之中。换句话说, DAIN分析并映射视频剪辑,然后在现有图像之间插入生成的填充图像。为了在这段1896年的视频中达到与4K同样的效果,Shiryaev为电影填充了足够多图像,从而将“图片放映”提高到了每秒60帧。

雷锋网(公众号:雷锋网)

具体在训练过程,作者用网络来预测每个三元组的中间帧(即,t=0.5)。在测试时,模型能生成任意中间帧。另外,还通过水平和垂直翻转以及颠倒三元组的时间顺序来增加训练数据。

为了更顺利地进行修复工作,肖搏团队开发了“中影·神思”人工智能图像处理系统,靠计算机大数据深度学习算法,在四个月内修复增强了30万帧图像。利用“中影·神思”,修复一部电影的时间可以缩短四分之三,成本减少了一半。

You may also like...