雷锋网 AI 科技评论消息，中国多媒体大会日前于西安召开，会上，快手科技 AI 技术副总裁郑文分享了多媒体技术，尤其是 AI 技术在快手的应用。他表示，快手的使命是「用科技提升每一个人独特的幸福感」，这其中涉及到视频和用户的双向感知，用到多项 AI 技术。他重点描述了内容生产和内容理解两大模块涉及到的相关技术，以下为他的演讲内容，有删减。这一事件在雷锋网旗下学术频道 AI 科技评论数据库产品「AI 影响因子」有相应加分。
快手 AI 技术副总裁郑文：快手在 AI 技术上的一些应用
郑文，清华大学软件学院 2001 级校友，斯坦福大学计算机系博士，曾在硅谷多家知名大公司、创业企业从事计算机图形学、计算机视觉、深度学习等方向的研究，现任快手 AI 技术副总裁，带领快手在 AI、AR、CV、CG 等方向的前沿研究。
快手的使命是「用科技提升每一个人独特的幸福感」。这里有两个关键词，一是「每一个人」，这说明快手的价值观是非常普适的，但我们同时也强调每个人的幸福感是「独特的」。这两个关键词加在一起，就对我们的工作提出非常大的挑战，快手希望通过科技的手段达成这一目的。
目前快手是通过记录来提升幸福感的，这可以从两个方面来体现。首先，用户希望能看到更广阔的世界。第二，用户也有分享自己，被更广阔的世界看到的需求。
但是这里面临一个挑战，现在快手累计拥有超过 50 亿条视频，已数亿用户，在这两个海量的数字面前，如何有效分配注意力？过去，注意力一般会集中在所谓的「爆款视频」里，但在爆款视频之下，还有大量可能包含了非常丰富的信息、类别多样化的内容，这种「长尾视频」往往很难被别人注意到。如此，一些需求小众，或者兴趣比较细分的群体往往很难找到他们想要的内容。
单单依靠人工手段很难解决这一问题，因为我们需要在视频和用户中实现双向感知，进行精确匹配，这背后要处理的是万亿级的大数据。快手从很早就开始引用 AI 技术去解决这个问题。今天，从视频生产到视频分发，在快手整个流程中使用了大量的 AI 技术。
内容生产
快手今年推出了一些流行的爆款特效。比如「时光机」魔法表情可以展示人的面部从年轻到变老的过程展现出来，挑起用户内心深层次的情感。「尬舞机」魔法表情，将拍摄和游戏结合在一起，使记录变得更加有趣。
我们也希望将内容质量变得更高，研发并应用了很多图像增强技术。例如，用户在光线很暗的环境下拍摄，产出的视频往往会丢失信息和细节，通过暗光增强技术，可以将这些细节恢复。
我们也希望通过 AI 技术使得记录更加丰富有趣，同时又具有更高的质量。基于这个目标，我们开发了大量多媒体和 AI 技术，比如背景分割、天空分割、头发分割，人体关键点、人脸关键点、手势关键点检测等等。
但快手有很大一部分用户使用的是中低端机型，而现在先进的 AI 技术对设备的计算量的要求极高，如何让先进的技术被最多的用户体验到，我们希望对底层平台进行定制化开发，基于快手自研的 YCNN 深度学习推理引擎，上述技术在大多数机型上都能高效运行，并针对不同机型、不同硬件进行了适配和优化。
接下来是我们近期在内容生产方面的研发的一些技术：三维人脸，针对单张人脸图像恢复出人脸的三维信息，一方面可以实现对人脸的一些修改，比如打光、做一些表情、实现三维变脸特效；另一方面，通过三维人脸信息，我们可以提取出人的表情变化，然后把表情迁移到虚拟的玩偶上，这类似于 iPhoneX 推出的 Animoji 功能，但 iPhoneX 有结构光，且运行 Animoji 需要很强大的算力，我们通过技术研发，在配置较低的手机上也能实现类似功能。
刚才也提到了语义分割，比如把人像和背景分开，分别对人像和背景做特效，或者替换背景，另外还可以做人像虚化；头发分割，可以把头发区域分割出来，做染发效果。另外还有如天空分割等其他分割技术。
人体姿态估计则是预测人的关节点位置，利用这一技术，我们可以在肢体上加特效，或者修改人的体型，做美体瘦身功能。此外，我们还利用人体姿态去给跳舞动作打分。
手势检测是把各种特定的不同手形检测出来，实现「控雨」等玩法。另外还有 AR 相机姿态估计，背后是快手自研的 3D 引擎，并在其基础上添加编辑器模块、渲染模块、肢体模块、声音模块等，来实现模型精致而自然的光感、材质。
在音视频方面，我们运用了很多智能算法，比如需要视频尽可能清晰，但同时也要求传输流畅，这就需要针对视频复杂度做一些自适应优化。另外，我们也会对图像的 ROI 进行分析，比如视频里面人脸的区域往往对大家的观感影响最大，我们会把人脸的区域检测出来，然后将码率做得更高，使得整体观感获得很大的提升。
我们也会检测图像质量，比如视频生产过程中存在一些导致图像质量较低的因素，如拍摄没有对好焦，镜头长期没有擦试，或者视频经过多次上传和压缩而产生块状瑕疵。我们会把这些问题通过 AI 算法检测出来，一方面提醒用户拍摄的时候注意这些问题，另一方面在做视频推荐时也会对高质量视频进行一些倾斜。
内容理解
内容生产环节完成后，视频会被上传到后端服务器，这里我们需要对视频内容进行更深层次的理解。视频的内容理解会用在很多方面，比如内容安全、原创保护、推荐、搜索、广告等等。这里大概分为两个阶段。
首先是感知阶段，从人脸、图像、音乐、语音四个维度对视频信息进行理解。
人脸是一个很重要的维度，因为人脸往往包含了人所关心的最主要的部分，我们会对人脸区域进行检测，识别身份，跟踪位置，提取关键点，得到年龄、性别、表情等信息。
另外一个维度是图像层面，我们会对图像进行分类，如图像是在什么场景下，此外也会检测图像中有哪些物体，还会进行图像质量评估，以及利用 OCR 技术从图像中提取文字。
音乐也是一个非常重要的因素，它是影响视频感染力很重要的一部分，我们可以从视频里识别出音乐类型，甚至可以对音乐进行结构化分析，把伴奏和歌唱的部分分开。最近我们也加入了 K 歌功能，现在在研发如何美化歌声，给歌声打分等等。
语音也是视频非常重要的维度，往往从图像中可能并不能很好地得到视频所传达的信息，这时候语音就非常重要，我们会把语音识别出来转化成文字，也会通过语音去识别这个人的身份、年龄、性别等等。
第二是推理阶段，通过把这些不同维度的信息进行多模态融合，推理出更高层次的语音信息，或者对视频进行情感识别。 我们也用到知识图谱技术，把视频里的知识存储在知识图谱里表达出来。通过知识图谱的推理，我们能够得到一些更高层、更深入的信息。
以下是我们在内容理解方面一些比较具体的技术，如快手开发了一套视频标签系统，可以对视频里出现的大多数内容和场景进行分类。在快手语音识别功能模块，我们采用深度学习算法，结合上下文语境模块，使得识别精度得到很大提升。
一方面，我们需要理解视频内容，另一方面，我们也需要对用户进行理解。这里包含用户的基本信息，比如年龄、性别、IP 地址、地点、手机型号等等。用户在实时使用快手时，也会产生一些行为数据，这些数据都会传送到后端的深度学习模型里，训练出对用户理解的向量。通过这些向量，我们可以预测用户的兴趣以及他与其他用户之间的关系。
最后我们得到对用户的描述以及对视频的理解，用户和视频之间的匹配就会产生万亿级别特征的大数据，这个大数据就会被用在实时在线的推荐系统里。
另外我们也会对社区里的内容进行排序，比如前面提到如何分配注意力，我们希望注意力分配的差距不要太大，所以会根据基尼系数调整视频内容的分配情况。此外，还会考虑到内容的安全性、多样性以及原创保护等因素。
（完）
雷锋网雷锋网
閱讀更多 雷鋒網 的文章
