最近，一段模糊了虚拟和现实边界的黑科技视频在 Twitter 上爆红，目前已经获得了数万点赞和转推。
视频中，开发者 Cyril Diagne 用自己的手机拍下身边的绿枝、书本、衣服等物体，手机立刻把物体从画面中抠了出来。
接下来发生的事情更加神奇：他把手机摄像头对准电脑的屏幕，刚才抠出来的物体，竟然自动添加到了电脑正在运行的 Photoshop 上！
几秒钟前还在现实中的物体，竟然就这么被复制到了虚拟的世界里。
可能令许多摄影师、设计师朋友感到嫉妒的是，Diagne 的这一通操作是完全自动化的，并没有用到数据线，没碰键盘，也没用鼠标做任何调整——剪贴进去的图像，就这么准确地出现在他用手机瞄准的画面位置上。
Diagne 将这套非常神奇的抠图技术命名为 AR Cut & Paste（增强现实剪切粘贴）。目前针对 Photoshop 的支持已经开发出来了，不过他也表示其它软件也是可以支持的。
他也把 AR Cut & Paste 放到 GitHub 上开源了。从介绍和代码中我们得以一窥，这么有趣的技术，到底是怎么实现的。
在抠图的阶段，AR Cut & Paste 使用的是一个名叫BASNet的深度神经网络。
在过去，机器学习领域在利用深度卷积神经网络进行物体识别方面，已经取得了非常不错的结果。不过通过神经网络进行的图像中物体识别，主要目标是区域准确性，而非边界准确性。
简单来说，就是这些物体识别技术，能够很准确地答出画面中的物体分别是什么：
但是想要准确画出识别出的物体的边框，就很难：
于是，加拿大阿尔伯塔大学的一个以华人为主的团队，开发出了一个全新的深度神经网络模型。
BASNet 的主要功能是进行显著性检测，简单来说，就是对画面中最显著的物体实现准确的边界划定，效果就像 PS 高手人工“抠图”一样。
BASNet 采用了预测-优化的思路，主要使用的是 Encoder-Decoder 网络结构，底层采用的是微软团队开发的残差网络 ResNet。
在预测部分，一个密集监督的 Encoder-Decoder 网络负责预测预测画面中物体的显著性，借助三种不同损失函数，让神经网络可以在像素 (pixel)、像素区域 (patch) 和全图 (map) 这三个层级上进行显著性判定，从而输出更准确的结果。
在优化部分，仍然是由 Encoder-Decoder 结构组装成一个残差优化模块 (RRM) ，对预测部分输出的显著图进一步优化。
从下图中可以看到，和其它同类和类似的物体识别模型相比，BASNet 的边界划定效果相对更加准确，和手动画出的标准答案最为接近。
不仅如此，BASNet 对于计算性能的优化做的也不错，可以在单一 GPU 上运行达到25帧每秒（需要你的电脑上有支持 CUDA 的 GPU）。
这篇论文在去年被计算机视觉方面的顶级学术会议 CVPR 2019 所收录。
BASNet 的开发团队来自于加拿大的阿尔伯塔大学计算机系。第一作者是该校机器人和视觉实验室的秦雪彬博士，曾经就读于山东农业大学和北京大学。
从网站上也能够很清楚地看出，在各种图像视频中进行物体显著性/边界划定，是秦雪彬最拿得出手的研究：
秦的团队还推出了一个性能更加强大的模型 U^2-Net，对于复杂物体边缘的识别准确度再上新台阶。这篇新论文目前已经被《模式识别》2020年收录。
现在我们知道了，AR Cut & Paste 是借助了 BASNet 这一深度神经网络实现了较为准确的抠图。接下来，开发者 Diagne 又是怎么实现将抠出来的图片直接隔空从手机“放置”到电脑上，而且准确放在手机瞄准位置的呢？
这里，Diagne 用了自己开发的一个小的玩意 ScreenPoint，简单来说就是在一张照片（手机传回的画面）上确定一个锚点，然后在对应的另一张照片（电脑的画面）上找到锚点对应的坐标。
这个小工具，利用的是 OpenCV 的 SIFT 功能。
目前，AR Cut & Paste 在剪切阶段的延迟大约为2.5秒，粘贴的延迟约为4秒。Diagne 也在 Twitter 上表示，还有很多方法能够进一步降低延迟，不过他并没有花更多时间做核心功能之外的优化。
技术实现的逻辑听上去并没有特别复杂，不过感谢强大的 BASNet，加上 Diagne 的脑洞，AR Cut & Paste 的实际使用效果还是很神奇的——特别是对于那些每天跟套索打交道的 Photoshop 用户来说……
看到这里，相信你也已经按耐不住，想要自己上手玩一玩这套 AR Cut & Paste 了。
Diagne 在自己的 GitHub 提供了你需要的全部代码和一份简单的使用说明书。点击文章下方的“阅读原文”即可看到。
总的来说，AR Cut & Paste 有三个独立的模块，需要配合使用：手机 app、安装在电脑上的本地服务器，以及打包好的 BASNet HTTP 服务。
手机是你的交互工具；本地服务器是手机和 Photoshop 之间数据传输的界面；物体检测、边界划定和背景移除的操作，发生在 BASNet HTTP 服务上。
在你的本地配置 AR Cut & Paste 需要一台手机，一台 GPU 支持 CUDA 的电脑；配置过程需要你有一定的 React Native 移动应用开发支持，电脑上有 Python 或 Docker 开发环境等。
配置 Photoshop 插件远程连接
进入 Photoshop 的偏好设置 (Preference) > 插件 (Plug-ins)，打开远程连接 (Remote Connection)，并设置一个密码。
然后在 GitHub Repo 里找到 cyrildiagne/ar-cutpaste/server/src/ps.py，确认你的 Photoshop 设置和这个文件里是一样的，否则粘贴出来的会是一个空白的图层。
打包 BASNet HTTP 服务
先克隆 cyrildiagne/basnet-http：
git clone https://github.com/cyrildiagne/BASNet-http.git
进入这个 repo，再把阿尔伯塔大学团队的 BASNet 克隆进去。
git clone https://github.com/NathanUA/BASNet
然后下载训练好的 BASNet 模型文件 basnet.pth（shorturl.at/FVZ19，下载地址也可以在 BASNet HTTP 打包工具的 GitHub 页面上找到），放到 BASNet/saved_models/basnet_bsi/ 路径下。
配置本地服务器
然后就可以开始构建服务了，可以在本地使用 Python 运行环境 virtualenv（需要Python v3.6 或以上），也可以使用 Docker，具体操作方法在 GitHub 上都有。
然后就可以运行了服务器了，记得要输入打包好的 BASNet HTTP 服务的IP地址 (X.X.X.X)，和之前第一步在 Photoshop 里设定的远程连接密码 (123456)：
python src/main.py \ --basnet_service_ip="http://X.X.X.X" \ --basnet_service_host="basnet-http.default.example.com" \ --photoshop_password 123456
配置手机端
手机客户端是 Diagne 自己用 React Native 开发的 app。下载代码，安装，将手机端 components/Server.txt 文件里的 IP 地址指向到前一步配置的本地服务器和对应的端口即可，具体请参考 GitHub。
需要强调的是，目前 AR Cut & Paste 只是一个研究性质的原形产品，并非面向消费者的和 Photoshop 工具，所以使用须谨慎，以免不必要的 Photoshop 资料丢失。
怎么样，你是不是已经跃跃欲试了呢？赶快行动起来吧！