如今，电影、电视剧以及各类视频，已经成为我们生活中不可缺少的一部分。据报告，每天上传到 YouTube 的视频总时长，就需要一个人花费超过 82 年的时间才能看完。
为了节省追剧时间，2 倍速播放已经成为刷剧标配。
除了倍速、跳跃式观看，以及看影评人讲解，还有一种快速追剧的方式，就是——把影视剧改成漫画。
近日，大连理工大学和香港城市大学的研究人员，发布了一个有趣的研究，可以自动将电视剧、电影或其他视频的画面生成为漫画形式，并配上文字气泡。
研究人员在论文中表示：「与最新的漫画生成系统相比，我们的系统可以合成更具表现力和吸引力的漫画。未来会将这一技术扩展到，利用文本信息生成漫画。」
此前，业内已有一些类似的研究成果，提出将影片转换为漫画的自动化系统，但其在自动化和视觉效果、可读性等方面还有待提高，因此，这一研究方向仍然充满挑战。
来自大连理工大学和香港城市大学的团队，则在最近发表的论文《Automatic Comic Generation with Stylistic Multi-page Layouts and Emotion-driven Text Balloon Generation》中，提出了更优的方法。
https://arxiv.org/abs/2101.11111
论文中提出了一个全自动漫画生成系统，
无需用户任何手动调整，就可以将任意类型的视频(电视连续剧、电影、卡通)，生成高质量的漫画页面，将角色对话转化为气泡文字。
而且该系统生成的漫画具有丰富的视觉效果，且可读性强。
该论文中提出的关键思想是，
在没有任何手动指定的参数或约束的情况下，以全自动的方式设计系统。
同时，团队有选择地引入用户交互，使设计更加个性化和多样化。
总体来看，该系统主要有三个模块，分别是：
关键帧选择和漫画风格化、多页面布局生成、文字气泡生成和放置。
系统的输入是一段视频及其字幕，其中包含对话和相应的开始和结束时间戳信息。
他们首先每 0.5 秒钟从原始视频中选择一帧，然后，利用字幕中的时间信息和两个连续帧之间的相似性，来选择信息关键帧。最后对关键帧进行风格化，也就是将普通图像转换为漫画风格的图像。
关键帧的选择是尤为重要且难度比较高的一项任务，该团队主要利用时间信息来进行选择。
如上图所示，团队首先利用每个字幕的开始和结束时间将视频分割成多个镜头，这些镜头分两种：对话镜头（有字幕的镜头）和非对话镜头（无字幕的镜头）。
对于对话镜头：
系统会计算之前获得的两个连续帧之间的 GIST 相似度（如果 GIST 相似度较小，则两帧之间差异较大）。
在执行过程中，如果相似度小于预先设置的阈值 𝜃1，那么后一帧将被选为关键帧。
如果一组字幕对应的帧都没有被选中，就选取中间一帧作为关键帧。
考虑到一个连续的对话和同一个场景可能对应多个字幕，因此团队会计算之前得到的连续关键帧之间的 GIST 相似度。如果相似度大于设置的阈值 𝜃2，就认为它们属于同一个场景。那么，就只保留其中一个关键帧，然后合并字幕。
另外，在同一组字幕中，系统有可能选择多个关键帧，因为计算之后，可能发现这些关键帧具有语义关系，这些关键帧将用于多页布局。
对于非对话的镜头：
系统会首先选择与当前镜头中的帧最不相同的帧。为了减少选取帧的冗余，系统会计算这个镜头与之前选择的关键帧的 GIST 相似度，只有小于之前设定的阈值，才会被选为关键帧。
最后，通过比较开始时间戳和关键帧的时间戳，将字幕集分组。在关键帧的开始和结束时间戳范围内的任何字幕，都将被收集在一起。
团队采用了扩展的高斯差法，将源图像转换为黑白图像。饭后执行 128 级颜色量化，得到量化后的图像，实现彩色风格化。就是这样，一组组真人电影镜头，变成了漫画风格。
团队提出了一个多页布局框架，用来自动分配和组织页面的布局，同时能够呈现出更加丰富的视觉效果。
在这一模块中，首先需要计算出四个用于指导多页面布局生成的关键因素，包括：关键帧的兴趣区域（ROI）、关键帧的重要性等级、关键帧之间的语义关系和一个页面上的面板数量。
然后，团队提出了一种基于优化的面板分配方法，将关键帧分配到一个页面序列中，并使用数据驱动的漫画式布局合成方法，来生成每个页面的布局。
追漫的小伙伴都知道，漫画书中每一页的分格数量都是不固定的，为了让读者有更好的阅读体验，漫画家都会根据剧情来安排分格数量。
在此项研究中，团队将这一问题作为全局的优化问题，来完成每个镜头在漫画页面中的分配。
同一颜色虚线框内的关键帧具有语义关系，反之则不具有
通常在漫画中，对于不同情境与情感下的对话，作者也会选择不同的气泡形状，这对于漫画内容的表达非常重要。而现有的相关研究一般都是只使用基本的椭圆式气泡形状，这对于情感表达来说显得不够丰富。
本文则提出的一项重要成果，即一种基于情感感知的气泡生成方法，可利用含有情感的视频音频和字幕信息，生成与之相适应的文字气泡形状。
系统根据输入视频对应音频和字幕，分析其中包含的情感
在该系统中，作者采用了三种常见的气泡形状：椭圆形气泡、思想气泡和锯齿状气泡。这三种气泡适用的感情分别为：情绪平静、想法（不说出来）、感情强烈。
对于气泡分类器的训练，团队主要利用一些动漫视频和相应的漫画书，来收集音频情感、字幕情感和气泡类型的数据。
与之前方法类似，本文也采用了发言人检测和唇动检测，来获取说话的人在一帧中的位置，然后将气球放置在其所属的人物附近。
-
首先使用「Dlib」人脸检测 Python 库，来检测一帧中每个人物的嘴部；
-
然后利用唇动分析，计算连续两帧帧间嘴部区域像素值的均方差，该差值是在当前帧中嘴巴区域周围的搜索区域上计算的，以确定其嘴唇是否有动作；
-
在得到发言者的位置后，将文字气泡放在其附近，并将气泡的尾部指向讲话者的嘴巴。
为测试模型效果，团队输入了 4 部不同影片的共 16 个片段，包括：《泰坦尼克号》、《风声》、《老友记》和《在云端》。
输入视频的持续时间从 2 分钟到 6 分钟不等，每一段剪辑都包含有台词的部分。
对于每个剪辑，团队记录使用该系统生成一本漫画书所消耗的时间，并计算平均消耗的时间，来评估系统性能。
作者总结道，与之前方法相比，本研究的方法优于其它方法。主要体现在以下三个方面：
-
首先，该系统可以为对话生成更丰富的气泡形状，而现有的方法只使用单纯的椭圆词气球；
-
其次，利用文本总结的方法，将一些相关的字幕进行合并，这样可确保文字气泡中的句子不会太长，增强可读性；
-
第三，通过自动获取四个重要参数，来实现全自动多页布局（此前方法多为半自动，需人工干预），且布局结果合理、丰富。
效果展示与对比。其中，(a)-(d) 为该团队的系统生成效果；(e)-(h) 为另一团队在 2015 年发表的成果
对应电影依次为：《泰坦尼克号》、《风声》、《老友记》和《在云端》
为了避免主观因素干扰，团队还通过 Amazon Mechanical Turk 招募了 40 名志愿者，对团队的生成结果和其他同类系统生成的结果进行比较。
志愿者首先会观看原视频，然后阅读各种不同方法生成的漫画，给出效果评级。为了避免主观偏见，视频和相应的漫画都是随机排列的。
最终结果是，无论志愿者之前是否看过视频，该系统获得的评价都比其他方法更好。
