هوش مصنوعی های نکسینو

نورپردازی یکی از بنیادی‌ترین اجزای زبان سینماست. نور فقط امکان دیده‌شدن سوژه را فراهم نمی‌کند؛ بلکه جایگاه شخصیت در فضا، رابطه او با محیط، زمان وقوع صحنه، کیفیت احساسی روایت و جهت نگاه تماشاگر را نیز تعیین می‌کند. به همین دلیل، ورود هوش مصنوعی به حوزه نورپردازی را نمی‌توان صرفاً به‌عنوان اضافه‌شدن یک ابزار فنی جدید بررسی کرد. این فناوری در حال تغییر رابطه میان فیلم‌برداری، طراحی نور، جلوه‌های بصری و پس‌تولید است. امروزه الگوریتم‌های هوش مصنوعی می‌توانند چهره را از محیط جدا کنند، جهت و شدت تقریبی نور را تخمین بزنند، سایه‌ها را بازسازی کنند، شرایط نوری تازه‌ای بر یک تصویر اعمال کنند و حتی یک صحنه سه‌بعدی قابل‌بازنورپردازی بسازند. پژوهش‌های جدید در زمینه Neural Rendering، NeRF، Gaussian Splatting و مدل‌های انتشار ویدئویی نشان می‌دهند که مرز میان نورپردازی هنگام تصویربرداری و بازسازی نور در پس‌تولید به‌تدریج در حال تغییر است. بااین‌حال، باید میان «بازسازی روشنایی تصویر» و «طراحی نور سینمایی» تفاوت قائل شد. هوش مصنوعی می‌تواند توزیع روشنایی را تغییر دهد، اما هنوز درک مستقلی از روایت، بازی، میزانسن و منطق دراماتیک نور ندارد. بنابراین مسئله اصلی این مقاله آن نیست که آیا AI قادر به روشن‌تر یا تاریک‌ترکردن یک تصویر است؛ پرسش مهم‌تر این است که آیا می‌تواند بداند چرا یک شخصیت باید در سایه بماند، چرا نور باید از جهت خاصی وارد شود و چرا گاهی از دست‌رفتن جزئیات بخشی از تصمیم هنری فیلم‌بردار است. نورپردازی فیلم دقیقاً چه چیزی را کنترل می‌کند؟ درک نقش هوش مصنوعی در نورپردازی بدون شناخت وظیفه اصلی نور دشوار است. نورپردازی حرفه‌ای تنها تنظیم مقدار روشنایی نیست. فیلم‌بردار و طراح نور معمولاً چند متغیر را به‌طور هم‌زمان کنترل می‌کنند: این متغیرها مستقل از یکدیگر نیستند. نزدیک‌کردن یک منبع نور فقط شدت آن را افزایش نمی‌دهد؛ اندازه ظاهری منبع نسبت به سوژه نیز بیشتر می‌شود و می‌تواند سایه‌ها را نرم‌تر کند. تغییر دمای رنگ ممکن است روی پوست، دکور، لباس و تطبیق نماها اثر متفاوتی بگذارد. نورپردازی سینمایی درواقع مدیریت یک شبکه پیچیده از روابط فیزیکی و ادراکی است. هوش مصنوعی زمانی می‌تواند در این حوزه مفید باشد که به فیلم‌بردار برای تحلیل، شبیه‌سازی یا کنترل این روابط کمک کند؛ نه آنکه نور را به یک فیلتر ساده تصویری کاهش دهد. ۱. هوش مصنوعی در پیش‌تصویری‌سازی نور یکی از کاربردهای مهم AI در نورپردازی، پیش‌تصویری‌سازی یا Previsualization است. پیش از ورود گروه تولید به لوکیشن، می‌توان با استفاده از مدل‌های سه‌بعدی، تصاویر مرجع یا مدل‌های مولد، چند طراحی نوری متفاوت را آزمایش کرد. در این مرحله، ابزار هوشمند می‌تواند برای بررسی اولیه این موارد مفید باشد: ارزش اصلی این ابزارها سرعت آزمایش است. مدیر فیلم‌برداری می‌تواند چند ایده متفاوت را در زمان کوتاه مقایسه کند و برای گفت‌وگو با کارگردان، طراح صحنه و گروه نور تصاویر قابل‌مشاهده‌تری در اختیار داشته باشد. اما تصویر تولیدشده با هوش مصنوعی الزاماً یک شبیه‌سازی فیزیکی معتبر نیست. مدل مولد ممکن است سایه‌ای ایجاد کند که با جهت منبع نور هماهنگ نباشد، چند منبع نوری ناممکن را ترکیب کند یا بازتابی بسازد که با جنس سطح مطابقت ندارد. چنین تصویری می‌تواند الهام‌بخش باشد، اما نباید بدون تحلیل فنی به نقشه اجرایی نور تبدیل شود. برای تبدیل کانسپت AI به طرح واقعی، فیلم‌بردار باید بپرسد: منبع نور کجاست؟ چه اندازه‌ای دارد؟ شدت آن نسبت به نور محیط چقدر است؟ آیا می‌توان چنین زاویه‌ای را در لوکیشن ایجاد کرد؟ آیا سقف، پنجره یا تجهیزات صحنه اجازه نصب منبع را می‌دهند؟ آیا این نور در نماهای معکوس نیز قابل‌تداوم است؟ ۲. تحلیل خودکار چهره و پیشنهاد نور پرتره بخش مهمی از تحقیقات هوش مصنوعی در نورپردازی به بازنورپردازی چهره اختصاص دارد. این سامانه‌ها تلاش می‌کنند ساختار صورت، جهت تقریبی نور، بازتاب پوست و سایه‌های موجود را تخمین بزنند و سپس چهره را تحت نور تازه‌ای بازسازی کنند. پژوهش «Neural Video Portrait Relighting» نشان داده است که می‌توان با مدل‌سازی هم‌زمان سازگاری معنایی، نوری و زمانی، نورپردازی چهره در ویدئو را به‌صورت پیوسته تغییر داد. یکی از چالش‌های اصلی در این حوزه، جلوگیری از پرش نور و تغییر بافت چهره میان فریم‌هاست. پژوهش‌های جدیدتر نیز بازنورپردازی سه‌بعدی چهره را در زمان واقعی بررسی کرده‌اند. یک روش ارائه‌شده در CVPR 2024 با استفاده از بازنمایی سه‌بعدی و شبکه سازگاری زمانی، امکان تغییر نور و زاویه دید چهره را در ویدئو فراهم کرده و سرعتی نزدیک به زمان واقعی گزارش کرده است. برای تولیدکنندگان محتوا، این فناوری می‌تواند در مصاحبه، آموزش آنلاین، تبلیغات و ویدئوهای استودیویی کاربرد داشته باشد. اگر صورت در بخشی از تصویر کم‌نور باشد یا نور کلید از زاویه نامناسبی آمده باشد، بازنورپردازی هوشمند می‌تواند ظاهر چهره را تا حدی اصلاح کند. ولی این ابزارها با چند محدودیت مهم روبه‌رو هستند. پوست انسان فقط یک سطح رنگی ساده نیست. درخشندگی، بافت، رطوبت، آرایش، مو، عینک، ریش و پراکندگی نور در زیر پوست بر ظاهر آن اثر می‌گذارند. الگوریتم ممکن است نور عمومی چهره را تغییر دهد، اما جزئیات ظریف بازتاب و بافت را به‌درستی بازسازی نکند. همچنین نور چهره باید با نور محیط، سایه روی لباس، بازتاب چشم و جهت سایه روی دکور هماهنگ باشد. اگر فقط صورت بازنورپردازی شود، شخصیت ممکن است از محیط جدا و مصنوعی به نظر برسد. ۳. بازنورپردازی ویدئو پس از فیلم‌برداری بازنورپردازی یا Relighting به فرایندی گفته می‌شود که در آن شرایط روشنایی تصویر ثبت‌شده پس از تصویربرداری تغییر می‌کند. برخلاف اصلاح رنگ معمولی، هدف بازنورپردازی فقط تغییر روشنایی کلی یا رنگ نیست؛ بلکه الگوریتم باید تا حدی شکل سه‌بعدی صحنه، جهت سطوح، جنس مواد و مسیر نور را تخمین بزند. مدل‌های جدید تلاش می‌کنند تصویر را به مؤلفه‌هایی مانند رنگ ذاتی سطح، سایه، هندسه، نور مستقیم و نور غیرمستقیم تجزیه کنند. پژوهش‌های مبتنی بر Neural Radiance Fields نشان داده‌اند که می‌توان از مجموعه‌ای از تصاویر یا ویدئوها، بازنمایی سه‌بعدی قابل‌بازنورپردازی ایجاد کرد. روش ReNeRF، برای نمونه، از تعداد محدودی نور سطحی در محیط کنترل‌شده استفاده می‌کند و تلاش دارد اثر نورهای نزدیک به سوژه و انتقال پیچیده نور را ثبت کند. این روش برای ساخت دارایی‌های سه‌بعدی باکیفیت و تغییر نور از زوایای جدید طراحی شده است. پیشرفت‌های 2025 نیز نشان می‌دهد که بازنورپردازی به سمت مدل‌های سریع‌تر و انعطاف‌پذیرتر حرکت می‌کند. روش Relightable Neural Gaussians برای بازنورپردازی اجسام با سطوح