深度学习技术有力推动电影后期制作和特效制作向智能化演进升级
广度自学（Deep Learning）是近几年人工智慧（AI）应用领域取得的重大控制技术突破，强有力促进了诸多行业和应用领域的智能升级换代。近几年，美国计算机系统协会（ACM）计算机系统绘图青年组（SIGGRAPH）会议的技术论坛和学术论文宣讲会中，广度自学驱动的新科学研究、新研究课题不断涌现，科学研究人员撷取了大量传递函数数学模型（CNN）、生成式对付网络（GAN）和自编解码器（Auto-Encoder）等广度自学方式在影像拆分、脸部模拟、液体模拟、影像静音、影像分类、角色动画电影、织物创建等方面的应用应用领域。迄今为止，不少研发成果已在影视制作后制环节得到应用应用领域，强有力促进了影片后制应用领域的智能升级换代。许多商业制做莫雷县已将广度自学控制技术应用软件系统到其服务项目中，如Adobe公司的Sensei人工智慧和机器自学统一平台，以及Foundry公司旗下Nuke应用软件的ML-Server广度自学服务项目，两者均采用应用应用领域程序/用户端服务项目器模式，在用户端广度自学架构顺利完成处置各项任务并将结果返回应用应用领域程序。影像拆分/抠像（Roto）、人脸识别代替（FaceSwap）是广度自学控制技术的关键应用应用领域方向。广度自学控制技术借助大规模统计数据集体能训练数学模型，可对影像展开语法拆分而不限于色彩，从而大幅改进演算法效果：
Kognat应用软件公司发布的Nuke应用程序Rotobot借助传递函数数学模型（CNN）分析和拆分影像，顺利完成手动粗抠像各项任务；Adobe Sensei机器自学发动机已上架静止影像抠像机能，名叫Cloak的音频抠像功能经过一年多的测试也已作为After Effects的文本交互充填（Content-Aware Fill）机能上架。人脸识别代替则广泛用作处置保镳摄制文本或刻画明星演员年轻时代形象，这一控制技术由于被用作制造不实音频而倍受争论。现阶段人脸识别代替程序基本使用PythonC语言，基于TensorFlow广度自学架构展开计算，同时实现关键步骤如下：人脸识别定位、对人脸识别切换展开可视化和自学、同时实现新音频中的人脸识别切换。不过手动人脸识别替换现阶段瑕疵在于人物形象“眼睛Bazas”或几乎不眨眼，这是因缺乏人物形象眨眼图片体能训练统计数据集而造成的，迄今为止校正眨眼统计数据也成为校正音频真假的关键方式之一。
除了全脸代替，脸部表情代替也在影视制作行业得到应用应用领域，如Synthesia和英国广播公司（BBC）合作的本土配音（Native Dubbing）控制技术，借助传递函数数学模型（CNN）同时实现广度自学和对象代替，可无缝代替演员的脸部表情和口型，从而解决译制音频的手动对白代替（ADR）问题。 除了被用作影视制作特技制做和后制，广度自学方式也被广泛应用应用领域于有损影像的压缩编码系统设计中。基于自编解码器广度数学模型的演算法具有较高性能，借此可设计出较JPEG、JPEG2000、HEVC等商用主流影像压缩编码演算法更优的方式，为影像/音频压缩编码应用领域带来重大控制技术突破，从而解决未来高新控制技术格式影片发展与应用应用领域所带来的存储、传输和实时解码播放等问题。在CVPR 2018 机器自学影像压缩挑战赛（CLIC）上，来自中国的图鸭科技团队获得压缩编码演算法中关键控制技术指标值第一，相关科学研究成果已应用应用领域于数字音音频传输解决方案。
