著名品牌助威，广告更具分量

如何利用著名品牌助威来提升广告效果？

在现在的市场竞争中，品牌的影响力越来越重要，同时著名品牌的助威也越来越受到广告人的青睐。利用著名品牌的助威，可以更好的提升广告的效果，达到让广告更具分量的效果。本篇文章将从以下四个方面对利用著名品牌助威来提升广告效果进行详细的阐述。

1. 提升品牌知名度

一个品牌的知名度往往是影响其销量的重要因素之一。而著名品牌的助威能够吸引更多的人的关注，提高品牌的知名度。例如，在某些巨星拍摄的广告中，巨星的粉丝群体就可以成为品牌的潜在消费群体，从而带动销售量的提升。此外，如果某一个品牌在其广告中能够成功地利用著名品牌的助威，那么消费者可以很快地与该品牌建立起联系。这将有助于该品牌在激烈的市场竞争中突出其品牌形象。

2. 建立消费者的信任感

对于消费者来说，信任是购买决策中的一个关键因素。而著名品牌的助威可以有助于建立消费者对品牌的信任感。因为消费者通常会认为，如果著名品牌愿意在某个品牌的广告中出现，那么这个品牌的可靠性和质量应该是有保证的。因此，如果广告人能够妥善地利用著名品牌助威的方式来展示其品牌和产品的优势，那么消费者就会对其产生信任感，从而进一步增加其销售量。

3. 增加广告的影响力

著名品牌的助威可以帮助广告达到更大的影响力，使其更加具有感染力和传播力。例如，在一些具有社会影响力的著名品牌的助威下，广告可以更快地在社交媒体上进行传播，从而带来更多的关注和讨论。此外，著名品牌的助威还可以帮助广告在一些媒体上的曝光率提升，并且可以吸引更多的关注度。这样，广告就可以更快地影响和吸引潜在的消费者注意。

4. 提高广告的品质

在广告创作过程中，著名品牌的助威可以帮助广告人更好地创作广告内容，从而提高广告品质。因为如果广告人能够在广告中巧妙地利用著名品牌的助威，那么广告就可以更好地吸引消费者的注意力，从而达到更好的效果。此外，著名品牌的助威也可以促使广告人更加重视其自身的创意和品质要求，以达到更高的创意水准和更好的广告品质。

总结

通过以上的阐述，我们可以看到著名品牌的助威对于提升广告效果有着重要的作用。它可以帮助品牌提升知名度，建立消费者的信任感，增加广告的影响力，以及提高广告品质。在利用著名品牌助威进行广告创作时，广告创作者需要完全理解著名品牌的形象和特点，并清楚地知道如何在广告中有效地利用其品牌形象，以达到最佳的广告效果。问答话题：Q1：利用著名品牌助威能够提升广告效果的原因是什么？A1：利用著名品牌助威可以帮助广告提升品牌知名度，建立消费者的信任感，增加广告的影响力，以及提高广告品质。这些因素可以帮助广告更好地吸引消费者的注意力，从而提高广告的效果。Q2：如何在广告中巧妙地利用著名品牌的助威？A2：在广告中巧妙地利用著名品牌的助威，需要广告人完全理解著名品牌的形象和特点，并清楚地知道如何在广告中有效地利用其品牌形象，以达到最佳的广告效果。例如，可以利用著名品牌的形象来突出广告的特点和优势，或者直接在广告中展示著名品牌的形象和产品，以引起消费者的兴趣和关注。

著名品牌助威，广告更具分量随机日志

tftp基于udp协议实现，使用udp的69端口，因此它可以穿越许多防火墙。不过它也有缺点，比如传送不可靠、没有密码验证等。

1、字幕大师全新上线，超多字幕视频等你来体验！

2、高效的NAT/防火墙穿透，支持UPNP，加快内网数据传输速度。

3、在任何网站上模拟或修改请求和响应。这是一种无需更改代码即可更改对测试网站的请求和响应的快速简便的方法。

4、一行复制一个商品链接，一次可以复制无限行来实现批量下载图片。

5、您可以选择以原始质量保存视频（通常采用MP格式），无需任何修改。在这种情况下，您获得的剪辑与其作者上传的剪辑完全相同。

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>無(wu)需(xu)多(duo)視(shi)圖(tu)！Google重(zhong)磅(bang)升(sheng)級(ji)NeRF：僅(jin)需壹(yi)張(zhang)平(ping)面(mian)图即(ji)可(ke)生(sheng)成(cheng)3D模(mo)型(xing)

新(xin)智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：LRS

【新智元導(dao)讀(du)】NeRF最(zui)大(da)的(de)弊(bi)端(duan)被(bei)攻(gong)克(ke)！

人(ren)類(lei)视覺(jiao)中(zhong)，有(you)一個(ge)很(hen)重要(yao)的能(neng)力(li)就(jiu)是(shi)可以(yi)從(cong)二(er)維(wei)图像(xiang)中理(li)解(jie)图像的三(san)维形(xing)狀(zhuang)。

理解三维幾(ji)何(he)對(dui)於(yu)了(le)解物(wu)體(ti)和(he)場(chang)景(jing)的物理和語(yu)義(yi)結(jie)構(gou)至(zhi)關(guan)重要，但(dan)當(dang)下(xia)計(ji)算(suan)機(ji)的视觉仍(reng)然(ran)很難(nan)从二维照(zhao)片(pian)中抽(chou)取(qu)出(chu)三维几何信(xin)息(xi)。

2020年(nian)，神(shen)經(jing)輻(fu)射(she)场（NeRF）模型發(fa)布(bu)，仅根(gen)據(ju)二维图像即可生成三维模型，不(bu)過(guo)缺(que)陷(xian)也(ye)很明(ming)顯(xian)：模型需要同(tong)一个场景（scene）的多个视图（views）作(zuo)為(wei)監(jian)督(du)學(xue)習(xi)的輸(shu)入(ru)。

如(ru)果(guo)多视角(jiao)數(shu)据不足(zu)，模型就无法(fa)估(gu)计体積(ji)表(biao)征(zheng)，生成的场景很容(rong)易(yi)崩(beng)潰(kui)成平面，這(zhe)也是NeRF的主(zhu)要瓶(ping)頸(jing)，因(yin)为真(zhen)實(shi)场景中多视角数据很难獲(huo)得(de)。

曾(zeng)有研(yan)究(jiu)人員(yuan)設(she)计了一些(xie)不同的架(jia)构，通(tong)过结合(he)NeRF和生成对抗(kang)網(wang)絡(luo)（GANs），使(shi)用(yong)判(pan)別(bie)器(qi)來(lai)保(bao)證(zheng)多视图的一致(zhi)性(xing)，可以緩(huan)解对多视图訓(xun)練(lian)数据的需求(qiu)。

還(hai)有沒(mei)有更(geng)激(ji)進(jin)的方(fang)法，只(zhi)用單(dan)视图来生成三维模型？

最近(jin)，来自(zi)英(ying)屬(shu)哥(ge)倫(lun)比(bi)亞(ya)大学，西(xi)蒙(meng)菲(fei)莎(sha)大学和Google Research的研究人员发表在(zai)CVPR 2022上(shang)的一篇(pian)論(lun)文(wen)中提(ti)出了一个全(quan)新模型LOLNeRF，对于同一类物体来說(shuo)，仅需单一视角即可训练NeRF模型，而(er)无需对抗监督。一旦(dan)共(gong)享(xiang)的生成模型训练完(wan)畢(bi)，模型即可提供(gong)近似(si)的相(xiang)机姿(zi)態(tai)（camera poses）。

论文鏈(lian)接(jie)：https://arxiv.org/abs/2111.09996

簡(jian)而言(yan)之(zhi)，NeRF不再(zai)需要多视图，並(bing)且(qie)相机也无需非(fei)常(chang)精(jing)確(que)就可以達(da)到(dao)令(ling)人信服(fu)的效(xiao)果。

具(ju)体来说，LOLNeRF使用預(yu)測(ce)的二维landmarks將(jiang)数据集(ji)中的所(suo)有图像大致对齊(qi)到一个典(dian)型的姿态，以此(ci)来确定(ding)應(ying)該(gai)从哪(na)个视图渲(xuan)染(ran)辐射场以再現(xian)原(yuan)始(shi)图像。

对于生成模型部(bu)分(fen)，LOLNeRF采(cai)用了一个自解碼(ma)器框(kuang)架。为了提高(gao)通用性，研究人员又(you)进一步(bu)训练兩(liang)个模型，一个用于前(qian)景，即数据集中常見(jian)的物体类别；另(ling)一个用于背(bei)景，因为背景在整(zheng)个数据中往(wang)往是不一致的，因此不太(tai)可能受(shou)到三维一致性偏(pian)差(cha)的影(ying)響(xiang)。

值(zhi)得註(zhu)意(yi)的是，该方法不需要在训练時(shi)渲染整个图像，甚(shen)至不需要渲染patch。在自解码器的框架內(nei)，模型从数据集中重建(jian)图像，同时为每(mei)个图像找(zhao)到最佳(jia)的潛(qian)表征。目(mu)標(biao)函(han)数基(ji)于单个像素(su)定义，因此可以用任(ren)意尺(chi)寸(cun)的图像进行(xing)训练，而不會(hui)在训练过程(cheng)中增(zeng)加(jia)内存(cun)使用量(liang)。

相比之下，现有的利(li)用GANs的方法通过判别器监督像素間(jian)的关系(xi)，極(ji)大地(di)限(xian)制(zhi)了模型在图像分辨(bian)率(lv)的伸(shen)縮(suo)能力。

GLO+NeRF打(da)破(po)多视角需求

GANs过去(qu)一直(zhi)是图像生成的标準(zhun)模型，其(qi)成功(gong)可以歸(gui)因为两點(dian)：

1、解決(jue)了困(kun)难的鞍(an)点優(you)化(hua)問(wen)題(ti)，可以解釋(shi)为生成器和判别器之间的对抗博(bo)弈(yi)；

2、将生成器和判别器參(can)数化为深(shen)度(du)卷(juan)积神经网络。

2019年，研究人员提出Generative Latent Optimization(GLO)，使用简单的重建損(sun)失(shi)来训练深度卷积生成器，可以合成视觉上吸(xi)引(yin)人的樣(yang)本(ben)、在样本之间进行平均(jun)插(cha)值，并对噪(zao)聲(sheng)向(xiang)量进行線(xian)性運(yun)算。

最重要的是：这些效果的实现都(dou)不需要对抗优化方案(an)。

论文链接：https://arxiv.org/pdf/1707.05776.pdf

NeRF需要多视角数据不就是为了对抗性训练嗎(ma)？

如果GLO无需对抗训练即可实现GAN，那(na)二者(zhe)结合起(qi)来，豈(qi)不就是不需要多视角的NeRF！

GLO是一種(zhong)通用的方法，通过共同学习解码器神经网络和潜码表来学习重建一个数据集（如一組(zu)二维图像），该编码表也是解码器的输入。

每一个潜码都从数据集中重新創(chuang)建了一个单一的元素（如图像）。由(you)于潜伏(fu)代(dai)码的维度少(shao)于数据元素本身(shen)，网络需要对数据进行泛(fan)化，学习数据中的共同结构（如狗(gou)鼻(bi)子(zi)的一般(ban)形状）。

NeRF是一种非常善(shan)于从二维图像重建靜(jing)态三维物体的技(ji)術(shu)。它(ta)用一个神经网络表示(shi)一个物体，为三维空(kong)间中的每个点输出顏(yan)色(se)和密(mi)度。颜色和密度值是沿(yan)著(zhe)射线积累(lei)的，二维图像中的每个像素都有一條(tiao)射线。然後(hou)使用标准的计算机图形体积渲染将这些值结合起来，计算出最終(zhong)的像素颜色。

重要的是，所有这些操(cao)作都是可微(wei)的，可以进行端到端的监督训练。通过強(qiang)制要求每个渲染的像素（三维）與(yu)基准（二维）像素的颜色相匹(pi)配(pei)，神经网络可以创建一个从任何视角渲染的三维。

将NeRF与GLO结合起来，給(gei)每个物体分配一个潜码，与标准的NeRF输入相連(lian)接，使其有能力重建多个物体。

在GLO之后，研究人员在训练期(qi)间将这些潜码与网络權(quan)重共同优化以重建输入图像。

与需要同一物体的多个视图的标准NeRF不同，LOLNeRF只用一个物体的单个视图（但该类型物体的多个例(li)子）来监督训练。

因为NeRF本身是三维的，所以模型可以从任意的视角来渲染物体。将NeRF与GLO结合起来，使其有能力从单一视图中学习跨(kua)实例的公(gong)有三维结构，同时仍然保留(liu)了重新创建数据集的特(te)定实例的能力。

为了讓(rang)NeRF正(zheng)常运行，模型需要知(zhi)道每张图像的确切(qie)攝(she)像机位(wei)置(zhi)，以及(ji)相对于物体的位置，但正常来说这个数据都是不可知的，除(chu)非在拍(pai)摄图像时具体测量过。

研究人员使用MediaPipe Face Mesh来从图像中提取五(wu)个landmark位置，这些二维预测的每一个点都对应于物体上的一个语义一致的点（例如，鼻尖(jian)或(huo)眼(yan)角）。

对于貓(mao)来说也是一样。

然后，我(wo)們(men)可以为这些语义点推(tui)导出一组典型的三维位置，以及对每张图像的摄像机位置的估计，这样典型点在图像中的投(tou)影就会与二维landmark盡(jin)可能地一致。

标准的NeRF对于准确地再现图像是有效的，但在单视角情(qing)況(kuang)下，往往会產(chan)生在off-axis觀(guan)看(kan)时看起来很模糊(hu)的图像。

为了解决这个问题，模型中还引入了一个新的硬(ying)表面损失（hard surface loss），促(cu)使密度采用从外(wai)部到内部區(qu)域(yu)的尖銳(rui)过渡(du)，減(jian)少模糊现象(xiang)，实質(zhi)上是告(gao)訴(su)网络创建「固(gu)体」表面，而不是像雲(yun)一样的半(ban)透(tou)明表面。

研究人员还通过将网络分割(ge)成獨(du)立(li)的前景和背景网络获得了更好(hao)的结果，使用MediaPipe Selfie Segmenter的一个掩(yan)码和一个损失来监督这种分離(li)，以促使网络specialization，可以使得前景网络只專(zhuan)注于感(gan)興(xing)趣(qu)的对象，而不会被背景「分心(xin)」，从而可以提高生成质量。

在实驗(yan)部分，先(xian)看一下模型在CelebA-HQ、FFHQ、AFHQ和SRN Cars数据集上训练后的可视化效果。

在量化比較(jiao)部分，由于LOLNeRF是用图像重建metric来训练的，所以研究人员首(shou)先进行实验来評(ping)估训练数据集中的图像被重建的程度。

用峰(feng)值信噪比（PSNR）、结构相似度指(zhi)数峰值信噪比（PSNR）、结构相似性指数（SSIM）和学习感知图像塊(kuai)相似性（LPIPS）指标来比较后可以发现，LOLNeRF的指标都大幅(fu)領(ling)先。

研究人员还对图像擬(ni)合进行了一个更直接的比较，在一组训练期间未(wei)被网络看到的图像上进行测試(shi)。在从FFHQ数据集中抽取了200张图像后，使用在CelebA图像上训练的模型进行重建，在量化指标上仍然有优勢(shi)。

为了评估模型学习到的三维结构的准确性，研究人员对合成的新视图（synthesized novel views）进行图像重建实验。通过对来自人类多视图行为图像（HUMBI）数据集的单幀(zhen)进行图像拟合，并使用相同人物的其他(ta)ground truth视图的相机参数重建图像。

实验结果显示，对于比较模型π-GAN来说，LOLNeRF模型从新的视图中实现了明显更好的重建，也表明该方法确实比π-GAN学到了更好的三维形状空间，也就是说模型可以泛化到未见数据的形状空间，而不仅仅是从查(zha)詢(xun)视图中再现查询图像。

参考(kao)資(zi)料(liao)：

https://ai.googleblog.com/2022/09/lolnerf-learn-from-one-look.html返(fan)回(hui)搜(sou)狐(hu)，查看更多

責(ze)任编辑：