[想攝影132] 細說分鏡 Vol.09
🎥 影片時間連結：https://youtu.be/3XpWY8Xbe5U?t=121
🖍「猜想該用什麼曝光模式」?
🖍「光圈該用多少? 最大光圈是好嗎? 還是縮要小一點?」
🖍「快門，更沒有概念，調了半天，除了亮暗速度差別，沒了，隨便用吧」
🖍「對焦呢? 放在哪裡才是對的? 上次是對左邊，這次換右邊好了

玩相機、玩攝影這麼多年了，其實有一個設計我始終覺得「對也不對」，就是機頂上的「曝光轉盤」，這個曝光轉盤指的是像 P/A/S/M，或是「自動」「場景選擇」等功能，而這轉盤還會依不同程度使用者，有著不同的設計。

🟥曝光模式轉盤
P/A/S/M 我想就算是初學者，也會知道大概的差別，但我今天不是要介紹它們，而是談談這樣子的設計是好…，還是不好。
上面說到，對於不同程度使用者，上面這轉盤還有不同的設計，比如說針對「入門級消費者」，就還會有「自動、場景、運動、人像…」等對入門消費者更常用的功能，設計在轉盤上，好讓你可以快速的轉換拍攝模式。

而面對「進階消費者」，那些「自動、場景…」等自動模式就消失了，因為這類使用者是不需要這些功能，反倒是是多了比如 C1 自訂功能，將一些快速設定儲在相機裡，當面對到一些場合，只要快速切換到 C1 就好。

在很久前我就在想，那些自動場景模式真的會有人在用嗎? 會依照前眼的場合，轉換到適合的模式拍攝嗎? 拍出來的照片，真的有比較好嗎? 當我接觸數位相機時，我從不用這些自動模式，這個問題對我來說，反而是個問題

🟥花生醬與蘋果醬
選擇性越多，真的越好嗎? 有個著名的實驗是這樣，當桌上只有二種口味的果醬 – 花生與蘋果，經過的消費者只能從中擇一選擇，只要搭配簡單的字牌，就能賣得不錯的成果。

但如果給上消費者更多選擇呢? 加上了「巧克力」「藍莓」以及「椰子」口味」，同樣的位置，同樣的銷售手法，看起來是消費者選擇更多，應該銷售量更好吧? 反了，反而因為消費者選擇太多，產生了「選擇性障礙」，若是很明確知道自己要的是什麼，拿了就走，這點不難，難的是左右遲疑，不知道該選哪一個最好，心裡一想乾脆放棄好了，如此一反銷售量不增反減。

而要研究那些放棄不買的消費者，「為何他們不買」的原因，五花八門，有的是不敢嚐試新口味，有的是一次只能買一瓶，但又不想買花生與蘋果，在不了解新產品下，放棄好了…，真的要談下去可又是 5000、10000 字，我們跳過吧。

🟥手機 AI 功能
近 3、4 年來，手機相機開始主打「AI 拍照」功能，第一次接觸後，直覺就想到相機上頭的曝光模式轉盤，這個 AI 拍照能自動辨識場合，看到藍天綠地幫你切換「風景」，辨識到人臉切換到「人像」，看到食物改為「美食」多麼方便呀我說，雖然一開始能辨識的場景不多，效果也不算特別突出 (看起來就像是調整色溫、飽和度、對比等等)。

但隨著硬體中央處理器的進步，辨識速度能力越來越快，表現在辨識的場景越多，越能拍出更適合眼前景像的照片，這點也是手機相機進步飛快，讓人難以相信「電腦、軟硬體搭配」能做到如此程度，真是不簡單。

🟥那些曝光參數與構圖
至於不用傻瓜模式的使用者，那就麻煩更大了，就算跳過了曝光模式的選擇，後頭你要選擇的事情可就麻煩了。

在相同的時間下，彼此距離保社防疫社交距離 1.5M，面對相同風景，視角略為有點差別，但不影響，若我們來個模仿他人作品的練習，不給你看照片，只告訴你某一得獎作品，就是在這裡拍出來的，且現在的條件與他當時可說是一樣，你會怎麼拍?

這下會讓你很傷腦筋，畢竟在場的人都不是得獎者本人，360 度視野看到的東西何其多，不同焦段所看到的視野範圍更是不同，再想到曝光變數何其多，在沒有更多線索下，這項練習根本很難達成。
但如果我將照片拿出來，哦，那就簡單太多了，照片上明確的構圖，差別是曝光參數不容易讀得出來，至少要模仿出一樣的照片機會大得多，但也沒那麼容易。

在網路上偶爾會聽到一種聲音「他還不是抄襲某某人的構圖，根本沒有創意可言」，不妨你也去「抄襲」看看，要抄到「一模一樣」或是「很像」還是需要一點功力，沒想像的簡單呢。

🟥沒有限制下更難創作
更多的限制，其實對初學者來說，反而是更好的練習，開放式的拍照練習，反而失去焦點，而所謂的「攝影眼」，就是帶著特定的觀點，在我們日常生活中，尋找不平凡的事物。

外拍練習我常會出一種練習就是「尋找顏色」，一開始練習是要求學生，每一張照片「只能有一種顏色」，這不難達成，第二個練習就多加一種顏色，第三個練習再加一個顏色，學生們在我的限制下，帶著這樣子的觀點四處尋找，反而拍出意想不到的練習。

這就好比果醬的例子，選擇少看起來限制多，但其實是在你腦海裡消除掉那些不必要的猜想 – 你就花生醬與蘋果醬選一個就好了，你不喜歡花生，那就只有蘋果，反之亦然，如果全世界只有這二種果醬，那或許會簡單多了。

攝影呢? 也是相同的例子，如果光圈只有「F2.8、F11」這二種選擇，快門同樣只有「1/10、1/500」二種選擇，ISO 更是全自動不讓你選，光是這樣子就有四種曝光參數組合，當所有人面對同一場景，就算是構圖不同，但在有限的曝光選擇下，作品反而變化不多，可以猜想就哪幾種可能。

但是現實是，光圈自常見的 F1.2 開始一路縮小至 F22，快門從 1/8000 一路慢至 30 秒，ISO 從 50 變化到 12800 甚至更高，可以組出多少的變數出來 – 只為了一個完全相同的構圖? 這就讓人覺得麻煩 (還是討厭?) 而人腦不擅於做選擇決定，通常會想取得最快的捷徑達成目標，此時若有老師在旁邊告訴大家「大家參考我的曝光參數 – F2.8、1/500、ISO 100」，我想當下所有的學生都會這麼做，少部分的學生再依我的數據做其它的調整嚐試。

🟥讓自己成為天線
前幾篇不斷提到一個概念，任何一張照片，都是無數的選擇中「選擇組合」出來，為何朝著這裡構圖，為何選擇這些參數拍照，我認為這是你當下對環境的感受後，受到剌激、產生靈感，在無數種變數中組合出來，每一張照片皆是如此。

在拍照練習不只是如此，還要為你所做的組合說出一些解釋，之所以這樣做、那樣決定，背後那些選擇的過程，身為老師的我更在意這些，才知道上課所教的觀念，有沒有讓你記在腦中，溶入現場加以變化與創作。

即使是相同的地點，已經來過 4、5 回，每一天的天氣也不盡相同，你做的選擇也會不同，就算是同一天、同一時刻，都還會改變一下構圖與曝光參數，因為不知道如何會是最好，反正多拍二張也不費力花錢，多拍幾張回頭再想想，這就是為何我會建議學生，照片拍完是要「回頭看、回頭想」的原因，照片的價值不是「按完快門、修好圖、分享完」就是它生命的終點。

🟥其它一般使用者
以上這些體驗對一般使用者來說，很難讓他們體驗這些故事，因為這些使用者基礎觀念不熟，甚至只是真的「只想拍照，不想花太多時間」的人，根本不想去理會上面講的這些事情，他們要做的就是「瞄準、按下快門」就拍完照片。

學會攝影，不是「學會 – 沒學會」二分法，特別是卡在中間的人，總是會多加摸索，在眾多拍攝變數下，不斷的嚐試數種組合方式，通常會得到不同的結果，但也說不出這些差別的意義在哪裡? 試著改變光圈、快門，除了景深、亮度有所不同，好像也沒別的差別的感覺，要他們解釋為何這麼做就太為難他們，因為他們根本不知道怎麼做才比較好，更別說是….，感受當下環境給他們速度，透過攝影加以回應，這麼進階的攝影體驗，對他們來說，還離的太遠了一點。

📷📷📷📷
7 堂攝影入門課 🙆‍♂️終生看 ⏱隨時看 🎞線上看
#報名連結：https://go.hojenjen.com/3p2g6n
👉9/30 前早鳥價~~ $4990

AI生成超逼真模特兒，95% 的人都無法分辨！從試穿衣服到棚拍都沒問題

2020.12.30 by FC未來商務

傳統型錄製作相當耗時費工，現在連模特兒都可以靠AI生成！讓換衣服、試裝到印刷的工作流程加速許多，而且與真人相似度極高，大約95%的人都無法分辨。

傳統型錄製作，從品牌形象定位、選模、定妝／裝、攝影、選片、修片、校色，到打樣印刷，整個過程耗時又耗力，即便現今型錄已逐漸線上化，前置進棚拍攝工作依然耗時費工。然而，隨著AI技術的發展，將為時裝業提供更簡便、較低成本的選擇。

據統計，當今電商上的模特兒展示圖約 95% 皆經過修圖，有了 AI 技術輔助，將可快速針對系列產品更換模特兒、變換造型、系列服裝顏色，而「AI 模特兒」（AI Fashion Model）的出現，更可為公司帶來獨有的品牌形象，並創造模特兒與品牌識別的直接關聯性。本文將從 Artificial Talent 及 Lalaland 兩家 AI 模特兒公司，探討 AI 建立假人及套模，於時尚電商的未來應用。

位於美國芝加哥的 Artificial Talent 是全球第一個 AI 模特兒公司，透過 AI 及 3D 技術，經過數千個真實頭部、臉部分析後，其開發的 Adonis® 臉部生成引擎可大規模生成完全客製化的逼真 AI 模特兒，進而幫助零售品牌降低成本、縮短產品推出時間，並協助解決目前廣告相關社會責任議題（族群平等與多樣性）。

企業用戶可先與該團隊聯繫討論以現有 AI 人像素材組合塑造或是客製專屬品牌模特兒，並將服飾寄給 Artificial Talent 進行拍攝及 3D 塑型。團隊完成合成後，企業用戶將收到登錄帳戶資料並像查看傳統照片那樣檢查及確認所需照片。

這時候你可能腦中浮現的是過去看起來僵硬、虛假的臉部模擬圖，但事實上經過測試，即使在已告知兩張照片其中一張是 AI 模特兒的前提下，仍有 95% 的測試者無法分辨出模特兒真實與否。

Lalaland 是一家位於荷蘭的新創公司，主要為服飾電商提供逼真的AI生成模特兒及合成照片服務。

企業用戶可先上傳新產品設計圖片，接著根據品牌形象、產品人物誌（Persona——行銷規劃或商業設計上描繪目標用戶的方法，用來分析並針對不同用戶類型設計策略）設定身形、年齡、膚色、種族等以塑造所期待的AI模特兒，接著在發布使用後，更可以針對成單成效、AB測試等評估，回到第二步驟優化圖片，改變姿勢及妝容等再次成圖。

Lalaland 指出，從實體拍攝轉至AI模特兒後，將節省70% PDP攝影費用，整體成圖時程較過去加快230%，點擊率（CTR）增加 140%，進而提升轉換率，並使營收增長 15%！

用AI模特兒打造雙贏

電商、時裝零售商通常會為同一種款式服裝提供多種顏色選擇，有時甚至一件連帽上衣就提供多達 10 種顏色選項，透過這類 AI 生成模特兒服務，企業即可利用 Photoshop 等相容工具，輕鬆點擊按鈕於幾秒鐘內為模特兒換上不同顏色的衣服。

電子商務消費者都希望能在下單前便全方位地了解產品在自己身上可能呈現的樣貌，以減少退貨麻煩。為滿足消費者的期望，少量、單一的模特兒展示圖片模式將成為過去，在不大幅提升模特兒、照片組數以控制成本的情況下，AI 生成模特兒或將成為最佳選擇之一。

附圖：Artificial Talent 的 AI 換臉技術，可快速有效地建立模特兒。
Lalaland

資料來源：https://www.bnext.com.tw/article/60766/fashion-model-ai-help?utm_source=dable

AI落地工業環境挑戰多，中鋼歸納3大AI導入經驗：足量訓練資料、選對技術、循序漸進為成功關鍵

中鋼採取由現場出題、專家解題的方法，從2017年開始較具規模的導入AI，今年在臺灣AI年會上，更分享了實作AI過程中遇到的挑戰，更以自家代表性的AI專案，歸納出3大實戰經驗來提供他者參考

文/翁芊儒 | 2020-11-19發表

中鋼綠能與系統整合研究發展處研究員許朝詠，以自己實作過的多個AI專案，來分享從選題、執行到落地的3大AI實戰經驗。

中鋼從2014年開始擁抱智慧製造，經歷了許多試驗後，才在2017年更有規模的落地AI應用，採取由現場出題、專家解題的方法，每年從上百個提案中篩選約20個可行性較高的方案，來導入應用場景。中鋼綠能與系統整合研究發展處研究員許朝詠，也在今年的臺灣AI年會上，以自己實作過的多個AI專案，從選題、執行到落地，歸納出3大AI實戰經驗，來提供其他企業借鏡參考。

許朝詠首先引述麥肯錫2019年發布的一份報吿指出，企業要在工業場景落地AI並不容易，超過7成的企業正在進行局部試點，其中29%企業已經試點超過2年，56%進行了1～2年，更有15%才剛起步。對中鋼來說，在導入AI過程中，也同樣面臨了「試點困境」，尤其在電腦視覺要落地煉鋼場域時，中鋼也面臨了4個AI應用挑戰。

其一，是工業環境不易控制，會造成取得影像的品質差異大，比如鋼鐵製造環境動輒在900度以上的高溫中，處理過程也可能噴水冷卻，導致難以取得清楚的影像；又或是在同樣位置拍攝的影像，也可能因光源不同，導致影像呈現不同的效果。

其二，現場實際環境會限制AI應用的計算能力，比如部分場所的空間有限，無法擺下GPU伺服器、或高計算能力的設備，甚至連網路線都無法部建，「在這樣的環境下，我們的模型就必須要能兼容邊緣運算，才能實際應用。」許朝詠說。

其三，被偵測物體的尺寸不一，也會影響深度學習的模型訓練成果。許朝詠以識別鋼品身分的AI序號辨識為例，就算是相同的鋼品，影像拍攝的尺寸不同，會造成鋼品上印製序號大小的差異，進而影響序號辨識模型的表現。

最後，則是深度學習模型的調整彈性差。同樣以序號辨識模型為例，許朝詠表示，有時會遇到視覺效果相同的數字（比如像是同一個數字1），在不同序列中卻無法辨識，「為什麼有時候，1可以辨識出來，有時候卻不行？」許朝詠表示，要解決這個問題，通常需要重新訓練模型，但會消耗許多時間。因此，中鋼目標要提出適合工業應用的物件偵測技術，來更輕易且廣泛的應用到各個製程。

3大AI導入經驗之一：充足訓練資料是AI成功落地的一大關鍵

許朝詠也透過多個中鋼導入AI的案例，來分享導入經驗。比如說，前述提到的AI序號辨識應用，是指在將鋼片卷曲製作成一卷卷的鋼卷後，會在鋼卷的金屬表面或是側面，噴印上鋼鐵的生產序號，藉此來辨識每一卷鋼鐵的身份。但是，這些序號的噴印位置，可能帶來不同的辨識挑戰，比如噴印在鋼卷表面，就可能因金屬反光影響序號辨識的精準度，若是噴印在鋼卷側面，層層堆疊的鋼片又可能導致字體變形，均會影響AI判讀。

「我們提供技術，但有些問題不是技術能解決的，就要跟現場人員溝通，請他們協助解決問題。」許朝詠指出，AI落地需要與第一線人員溝通協作。

不過，就算與現場人員合作，序號的辨識率仍無法達到100%，尤其是鋼卷側面序號的辨識率，僅達到9成5，「序號要完全正確才能用，9成5其實很低。」許朝詠表示，為了克服這項挑戰，中鋼在產線上的多個位置都設有攝影機，同時將這些攝影機判讀的資訊互通，透過多點的資訊對接，來判斷出鋼卷序號。

「不要把問題放在同一個地方，比如利用多點攝影機、多資訊的串流，去補足AI模型上的不足，就能讓整個系統的準確率達到100%。」他說。

另一個例子，則是高爐原料粒徑分析的AI應用。一般來說，高爐是用來將原料溶解為鐵水，而原料在送入高爐時，若粒徑大小分佈較平均，就能提升高爐的燃燒效率，中鋼甚至推算，高爐燃燒效率每提高1%，每年可以減少上億的燃料經費，因此，中鋼用AI來辨識每顆原料的粒徑大小，即時計算出進到高爐的物料大小與分佈狀況，再根據計算結果來調整物料分佈，進而提升燃燒效率。

許朝詠表示，上述兩個案例的共通點，在於資料的取得非常容易，不管是序號或是原料的影像資料，都在產線上不斷產生，「影像取得沒問題，資料也乾淨，較有機會訓練出良好的深度學習模型，也有機會快速達到成效。」相對來說，瑕疵辨識這類AI應用的影像資料搜集，就比較困難。

「要判斷一個案子能不能做，可以先看能不能蒐集到足量的資料。」這就是許朝詠歸納的第一大AI導入經驗。

3大AI導入經驗之二：不是最新技術也能打造最切合場景需求的應用
許朝詠也接續說明了無人天車的AI應用。天車是一種重型的起重裝置，用來吊送貨品、放置到指定位置，而中鋼就是將原先需要人為操控的天車，透過AI達到無人化，「這也是我認為中鋼應用AI最成功的案例。」

要達成無人天車，主要是把人眼看到的操作資訊，透過電腦視覺轉換為控制的指令，再交由天車自動執行，也就是將操作人員看見的鋼卷位置、放置位置及操作方法，都轉換為天車指揮系統可以判讀的資訊，再透過運動控制達到自動化。

無人天車使用的技術，包括能透過座標辨識來裝卸鋼卷的機器視覺系統，以及能透過RFID讀取鋼卷身份，再準確偵測鋼卷的中心位置來吊起鋼卷的智慧型吊夾，而整體鋼卷的吊運排程與吊運路徑最佳化，則是由天車指揮系統來規劃，中鋼同時也建置用來傳輸車籍資料、整合裝卸車資料的雲端倉儲管理系統。達到天車操作全自動化之後，中鋼也設置了主動式安全防護機制，透過深度學習來偵測天車下方是否有人行走，並在行駛過程中自動辨識障礙物與閃避。

建置了無人天車帶來的一大效益，就是能在出貨的前一晚，由機器自動理貨，將要出廠的貨物就近放置到出貨的位置，「天車不會休息，人會休息，在不需出貨的時間先理貨，就能加速出貨的效率。」許朝詠說。

中鋼的無人天車也早在2018年就投入運作，至今已經完成超過數十萬顆鋼卷的吊運。不只自建自用，中鋼也將這套無人天車系統外銷到中國鋼廠，2019年就已經銷售了12套系統，今年武漢肺炎疫情期間，更是遠距協助客戶調機、將系統落地。

不過，這個貼近鋼鐵業需求的無人天車，實際上並無用到深度學習技術，「深度學習雖然是好工具，但不一定是最佳工具，也不是唯一的工具。」許朝詠表示，由於天車在裝卸鋼卷時，需要非常精準的定位，誤差超過5公分就可能吊不起鋼卷，但深度學習在位置偵測的精準度上並無優勢，加上判斷速度較慢，「傳統影像處理有些技術，應用上會比深度學習來的更好。」

換句話說，不是用最新、最強的技術就好，不同應用場景有其最合適使用的技術，這就是許朝詠歸納的第二大AI導入經驗。

3大AI導入經驗之三：從自動化、人機協作到智慧化循序漸進落地AI
最後，許朝詠也提出一項正在建置的AI應用，也就是出貨前的鋼卷智能檢核，雖然目前僅有初步成果，但這項應用實際影響了傳統檢核作業流程的轉變。

許朝詠解釋，鋼鐵在包裝、裝載完成之後，還需要檢核包裝外觀，以避免客戶收貨後發現包裝瑕疵，因而對品質產生疑慮。為了檢核來自23個倉庫的貨品，中鋼設置了4個主要的檢核站，共計17個車道、每個車道配置4名檢核人員，車輛在倉庫裝載貨品後會先前往檢核站，由人工檢查外觀是否破損，並核對貨品身份與數量，完成檢核才能出廠。

但傳統的人力檢核方式，不僅人力成本較高，大量出貨時載貨司機也常需排隊等待，更佔用了約兩個倉庫的空間來檢核。對此，中鋼試圖透過AI智能檢核的方式，將傳統的檢核中心改以一個雲端檢核中心來取代，在每個倉庫出貨前，直接將鋼卷影像上傳雲端，由檢核人員從雲端照片來判斷是否有瑕疵，若無即可放行車輛出廠，不只能加快檢核效率，檢核人員也能更輕鬆完成任務。

而這些檢核照片的篩選，則是先拍攝車輛進入檢核站的影像，經過運算後，自動擷取鋼卷正面、側面品質最佳的影像，透過自動檢放系統來提供檢核人員檢驗，經實測後，完成8張鋼卷照片的檢驗大約只要8秒。

許朝詠表示，將檢核流程雲端化只是第一步，中鋼下一步要利用檢放系統，在檢核人員雲端判讀照片狀況的同時，蒐集異常照片的資料，再利用深度學習的技術來訓練瑕疵辨識模型，進一步將檢核流程自動化且智慧化，來取代人工作業。

「邁向智慧化的過程，很多人會想要一步到位，但很困難，如果能用AI先實現局部的自動化，透過人機協作來提升作業效率，並同步搜集資料，就會對智慧製造的實現有很大的幫助。」許朝詠認為，AI落地並非一蹴可幾，需要一步步優化原先的作業流程，蒐集足夠的資料，才能實現智慧化的目標，這也是他提出的第三大AI導入經驗。

附圖：應用場景的序號本身可能有模糊、手寫字、油漆過淡等問題。
透過資訊的串接，來克服AI序號辨識可能不夠精準的問題。
透過即時原料粒徑大小分析來調整物料分佈，進而提升高爐燃燒效率。
人工檢核過程。
透過檢放系統來檢驗熱軋鋼卷的包裝外觀。

資料來源：https://www.ithome.com.tw/news/141163?fbclid=IwAR3UUiJ0rpr7aUf8d2FmGZaZp3_e4E-9esf6ZOD1iiA20Id4ZYo1-hK7iwc