本文摘要：聪明的人确实是可以做很多事的。

聪明的人确实是可以做很多事的。近日，一位身兼数职的斜杠青年CyrilDiagne设计了一个复制粘贴的工具，只要你拥有一个支持AR功能的智能手机，在手机上预装这款名为ARCutPaste的工具，然后拍下你想复制的东西，便可将图像复制粘贴进Photoshop。

图自：网络这里是视频链接：http://t.cn/A6A6NL1q。图自：视频截图正如上面几张图片所示，这款工具什么都可以一键复制，设计师们再也不用担心素材不够用了！不过，目前该工具的剪切延迟大约为2.5秒，粘贴延迟大约为4秒，流程还可以进一步加速。令人期待的是，作者还给大家留了一个小惊喜：下周将会发布另一个AI+UX原型！平面设计师的福音也许是设计师出身的缘故，CyrilDiagne总是有很多出人意料的想法。

比如，他曾经研究出一种人脸涂鸦工具，借助Tensorflow.js、FaceMesh和Three.js即可在网页浏览器上使用AR对脸部进行涂鸦。图自：github还有一款可在Instagram个人主页图像上添加3D效果的chrome扩展程序，效果生成类似于Facebook3D照片功能，让2D照片也能呈现多角度的景象。

图自：github那么，这款工具又是如何实现将现实照片直接复制进Photoshop的呢？据作者上传到github的资料显示，ARCutPaste工具是一个AR+ML原型（prototype），它可以从周围环境中拷贝固定对象，并粘贴在图像编辑软件中（Photoshop）。不过，这款工具目前只适用于Photoshop软件，未来可能支持处理不同的输出。该原型作为3个独立模块运行：即移动应用、本地服务器和显著性检测和背景去除服务。

具体使用方法如下：首先，你需要在手机上预装这款工具；npminstall其次，你需要更新一下IP地址，并指向你的本地配置；3:constURL=http://192.168.1.29:8080;最后，显著目标检测和背景移除由外部服务执行（即BASNet技术）。curlhttps://download.pytorch.org/models/resnet34-333f7ec4.pth-oresnet34-333f7ec4.ptdockerbuild-tbasnet.dockerrun--rm-p8080:8080basnetBASNet是什么？BASNet是一种关于边界的显著性检测，其聚合了多层深度特征的网络，它更关注整个图像的全局对比度上，而不是局部或像素特征，所以，相比其他的显著性检测方法，能够大大减少误差。

在架构上，主要分为两个模块：图自：BASNet:Boundary-AwareSalientObjectDetection论文预测模块：设计成编解码网络，因为这种结构能同时捕获高层次的全局上下文和低层次的细节。编码器有一个输入卷积层和由基本res块组织称的六部分。为了更进一步捕捉全局信息，在编码器和解码器之间加了一个桥接块，包含三个卷积层。

解码器与编码器基本对称，每个阶段的输入是解码器的前一阶段的上采样和编码器相应阶段输出的级联。取最后一层精度最高的图作为预测模块的输出。优化模块：通过残差块优化粗糙的显著图。

粗糙包括：1）模糊有噪声的边界；2）不均匀预测的区域概率。实际的粗糙预测图两种都包含。

残差优化模块最初被提出用来用于边界优化，然而，由于设计的模块很浅，难以捕获高级信息进行优化。RRM采用残差编解码器架构，包含输入层，编码器，桥接层，解码器和输出层，编码器和解码器包含4个阶段，每个阶段只有一个卷积层。总的损失等于每个输出图的损失的加权和。

共有8个输出，7个来自预测模块，1个来自优化模块。每层的损失包括三个部分：BCEloss、SSIMloss和IoUloss。这样一来，就能获得高置信度显著图和清晰边界。

然后，利用OpenCVSIFT找出手机在电脑屏幕上对准的位置。只需要一张手机照片和截图，就可以得到准确的x,y屏幕坐标系。这就是这款软件的全部使用细节及技术细节，感兴趣的童鞋可以自己输入代码尝试下。需要注意的是，该设计的作者也表示，目前这只是一个研究原型，但根据Diagne视频的回复，似乎已经有数家公司在开发类似的软件。

相信在不久的将来你可能会在应用商店看到类似的工具。而这项设计的深远意义则在于它巧妙地颠倒了通常的增强现实范式，不是将数字图像投射到物理世界，而是将物理世界带入数字世界。参考来源：[1]https://www.hindustantimes.com/tech/googler-shows-the-future-of-copy-and-paste-functionality-using-augmented-reality/story-bUw5GUnfRatsYoK5C0FlSL.html[2]https://github.com/cyrildiagne/ar-cutpaste[3]https://www.theverge.com/2020/5/4/21246386/augmented-reality-ar-copy-cut-paste-real-world-photoshop-demo[4]http://openaccess.thecvf.com/content_CVPR_2019/papers/Qin_BASNet_Boundary-Aware_Salient_Object_Detection_CVPR_2019_paper.pdf原创文章，未经授权禁止转载。

详情见转载须知。

本文关键词：aifa官方入口,aifa平台官网,aifa体育注册官网,aifa体育官方网站

本文来源：aifa官方入口-www.bohan11.com