魔法变现实，酷炫又实用。

还记得两年前，Zach King(男巫)的爆红魔术吗？

不仅从纸直接蹦出一个手机，还直接扔进了电脑里形成虚拟的天猫页面。

现在，不用去羡慕男巫了，人人都可以把身边的东西“扔到”电脑里，而且一部手机就能搞定！

这就是来自34岁法国设计师Cyril Diagne的最新AR黑科技——AR Cut & Paste，将身边的事物“一键”复制粘贴到电脑上，整个完成时间不到10s。

比Ctrl+C和Ctrl+V还要爽快！

比如，拿手机扫一扫书上的模型图片，再把手机对准电脑屏幕，模型瞬间就复制到了电脑。

书上的人物也不在话下。

就有网友说道：连这个黑发小哥的头发都能识别出来，太神奇了。

当然，手写的笔记，也可以复制粘贴到电脑中。

他在Github上分享了他的AR新技术，已经狂揽7K颗小星星；而且在Reddit上分享不到14小时，就获得了近4K的点赞量。

即使Cyril表示目前仅仅能在Photoshop中实现，但未来——肯定会有更多不同的输出方式。

只是现在，这项AR黑科技——魔法一样的新技术，只要你想，也能复刻。

简单四步，开启“复制粘贴”新世界

小哥非常热心地在GitHub中，描述了AR Cut & Paste的“上手指南”。

首先要强调的是，这是一个研究原型，而不是针对消费者或者Photoshop用户的工具。

AR Cut & Paste原型包含3个独立的模块。

移动应用 (The mobile app)

• 可以查看GitHub中/app文件夹，了解如何将App部署到手机中。

本地服务器 (The local server)

• 手机APP与Photoshop的接口。

• 使用屏幕点(screenpoint)找到摄像机在屏幕上指向的位置。

• 可查看/server文件夹，了解关于本地服务器的配置说明。

目标检测 / 背景移除服务 (The object detection / background removal service)

• 目前，显著性检测和背景移除，是委托给一个外部服务来完成。

• 如果直接在移动应用中使用类似DeepLap这样的技术会简单很多。但这还没有在这个repo中实现。

第一步：配置Photoshop

在Photoshop软件首选项 (Preferences)中，找到增效工具 (Plug-ins)。

此外，文档需要一些背景，如果只是白色背景，SIFT可能没有足够能力来做一个正确的匹配。

第二步：设置外部显著性目标检测服务

如上所述，目前，必须使用BASNet-HTTP封装器(需要CUDA GPU)作为外部HTTP服务，部署BASNet模型。

将需要部署的服务URL来配置本地服务器。如果在本地服务的同一台计算机上运行BASNet，请确保配置不同的端口。

第三步：配置并运行本地服务器

这一步的详细文档，在GitHub项目中的/server文件夹中，包含“安装”和“运行”两个步骤。

安装代码如下：

virtualenv -p python3.7 venv
source venv/bin/activate
pip install -r requirements.txt

运行代码如下：

python src/main.py \
   —basnet_service_ip=”http://X.X.X.X“ \
   —basnet_service_host=”basnet-http.default.example.com” \
   —photoshop_password 123456 

其中，BASNET_SERVICE_HOST是可选的，只有在使用Knative / Cloud Run等入口网关在平台上部署服务时才需要。

以及，用Photoshop远程连接密码替换123456。

第四步：配置并运行移动App

安装代码如下：

npm install

然后更新component/Server.tsx中的IP地址，使其指向运行本地服务器的计算机IP：

3: const URL = “http://192.168.1.29:8080“;

运行代码如下：

npm start

OK！开启“复制粘贴”新世界，就是这么简单！

但如果你希望“知其然更知其所以然”，别眨眼，接着往下看。

如何做到隔空「复制粘贴」？

这个神奇的AR黑科技背后的主要技术，刚开始采用的是一个叫做BASNet的显著目标检测方法。

这篇研究入围了CVPR 2019，而且论文一作还是位华人小哥哥——秦雪彬，已经于今年2月在加拿大阿尔伯塔大学拿到了博士学位，硕士就读于北京大学。

BASNet的核心框架如下图所示，主要由2个模块组成：

第一个模块是预测模块，这是一个类似于U-Net的密集监督的Encoder-Decoder网络，主要功能是从输入图像中学习预测saliency map。

第二个模块是多尺度残差细化模块(RRM)，主要功能是通过学习残差来细化预测模块得到的Saliency map，与groun-truth之间的残差，从而细化出预测模块的Saliency map。

而最近，这位设计师小哥哥在此基础上，针对背景移除任务，采用了更新的方法。

同样是来自秦雪彬团队，被Pattern Recognition 2020接收，这个方法叫做U^2-Net，其框架如下图所示：

还与其它20个SOTA方法分别做了定量和定性比较实验，在结果上都取得了不错的结果。

在下面的定性实验中，也可以比较明显的看到，该方法所提取出来的目标，更加细粒度和精确。

那么，北大校友的新方法，又是如何被法国设计师Cyril Diagne搞成黑科技应用的？

兼职写代码的法国设计师

原因无他，Cyril Diagne就是这样一个懂程序、搞设计，关注前沿研究进展的艺术家呀。

如果你关注他的社交动态，也都是天马行空的。

是那种从“诗词歌赋”到“人生哲学”，从“服装设计”到AR黑科技的妙人。

在Web浏览器上直接用AR涂鸦你的脸。

总之，想法多、经历丰富，还懂技术和审美……

所以现在搞出AR复制这样的奇妙应用，打开一扇新大门，也让一众网友服服气气。

也算是把北大校友小哥的牛X研究，推到了更牛X的产品应用入口。

虽然还只是牛刀小试，但前景却妥妥无限可能。

你觉得这项黑科技，还能怎么用？怎么玩？

上手传送门：

https://github.com/cyrildiagne/ar-cutpaste/tree/clipboard

https://github.com/NathanUA/U-2-Net

http://openaccess.thecvf.com/content_CVPR_2019/papers/Qin_BASNet_Boundary-Aware_Salient_Object_Detection_CVPR_2019_paper.pdf