构图

很多时候很多人，拍照觉得斜构图是一种很好的构图，但是这个斜要是斜得不好就好容易就被说成不懂拍照。从拍商业的角度来衡量照片构图的好坏时，首先照片就不会这样斜着拍。 而大部分新人，为了自己还没有成熟的审美和自己对美的认知，从而在拍摄时把相机倾斜，往往拍的时候觉得好漂亮，拍完就变废片了。换句话说，你看电脑的时候头是正的，而看到一张斜的图，要是斜得不对，那头只能歪一下去看了。 本次并不针对斜构图来说，只说方方正正的简单人像摄影构图。 蓝色：九宫格 红色：无敌稳定铁三角 图1: 这图是特写，可以看到右边红线和身体是变成一个打斜的线条，而左边的红线，通过头发的下垂（地心引力）而垂直。通过边缘的切割和人脸识别，我们第一反应就是看脸（废话）。两条红线效果的三角形给人视觉效果也不会让人倾斜头部去迁就画面看已经有点倾斜的脸。 图2: 摆脱三角形稳定，我们可以利用设计上的对齐来实现稳定效果。垃圾桶和人是一个主体，而九宫格的左边是这个主体的中轴线。上与下距离边缘几乎是相同的。这样依然存在稳定性。 图3: 完全正中的人物，主要有光的地方形成三角形，稍微有光的地方算进去也是一个长方形，这样就会有画中画的感觉？而这样的构图也是非常稳定。 图4: 这图是一个明显的失败例子。这张图就如红绿线所指示一样，这画面引导了我们往下看，很容易就会让人观看时直接往下拉，而这种手法通常用于设计上。 图5: 从引导的角度去看

2019-12-03 04:32:31 作者 | 涂逸 编辑 | 唐里 基于美学的图像裁剪（aesthetic image cropping）的目标是在一张图片中找到具有最高美学评价的子图。 在本篇论文中，我们提出了一个新颖的图像裁剪模型来解决这个问题。对于每张图片，我们使用一个全卷积网络来生成一个同时对照片构图（photo composition）和物体显著性（object saliency）敏感的美学评分图（aesthetic score map），并让其所有候选子图都使用其进行美学评分。 该美学评分图可以用来定位图像中具有较高美学价值的区域，并帮助分析模型所学习到的构图规则。因此，我们的模型可以揭示美学评价的内在机理，具有良好的可解释性。我们在多个数据集上证明了本模型的优越性能，并展示了它的广泛应用场景。 本文已被AAAI20接收（https://ar xi v.org/abs/1911.10492）。 模型概述 为了找到最佳子图，图像裁剪模型一般会先生成大量的候选子图，然后对每张子图逐个进行美学评分，最终确定评分最高的子图。因此，一般来说，图像裁剪模型通常由候选子图生成模型和美学评分模型两个部分组成。早期的研究通过利用一些摄影知识来实现美学评分，比如使用人类总结的构图规则，像是三分法和中心法则。它们通过定义并抽取相应的特征来衡量子图的构图优劣。 随着深度学习技术的发展

这一个月来一直在研究计算机美学 (photo aesthetic) 的课题，因为有一个需求是帮助用户筛选出一些拍的比较好的图片。这段时间陆陆续续看了很多相关的文章，也一直在思考这个问题：让计算机来对图片进行审美，到底有没有可能？毕竟审美是一件很主观的事情，美的定义本身也不清晰，让需要明确指令的计算机来做一件人类都不明确的事情，这看起来就不太现实。 本文会记录一下我最近看过的一些文章，总结一下这个领域的研究思路，以及我个人的一些想法。 什么是计算机美学 狭义上讲，计算机美学 (photo aesthetic) 的研究内容是教计算机对图片审美，可以是输出一个分数，也可以是对图片分好坏，抑或是其他评价手段均可以。 当然，更广义的讲，凡是涉及到审美相关的领域都可以归结到计算机美学的范畴。从这个角度出发，可以衍生出大量的课题和应用，比如，让计算机扣图、生成一些非常专业的摄影那个图片等等。 题外话，与计算机审美相关的，还有另一个课题叫图像质量评估 (image quality assessment)。我的理解是，计算机美学偏向于主观感受，而图像质量评估则偏向于客观感受 (比如噪声、饱和度等客观因素)。前者由于太过主观，所以评价指标一般是跟数据集中已有的评分进行比较，而后者则有一些客观的评价标准 (如 PSNR ， SSIM )。 下面，我们就根据不同的应用类型