剃头挑子、街边地摊、京韵大鼓，多数人可能只在电影、电视剧中看过老北京的这些景象。但早在 90 年前，就有人将这些场景都拍了下来，而且无缺地保存在美国南卡罗莱纳大学影像库。影片中还收录了时期原声，原汁原味地记录了当时老北京的平民生活。
90 年后，有人将这些影片翻了出来，还用 AI 进行了修复，包括上色、提高分辨率等操作。
从这段影片中，我们能看到很多非常生活化的场景，比如小学生在学校外边买饭：
小伙子找个剃头摊剃头：
在不雅观赏修复效果的同时，我们还能听到剃头师傅和小伙子一问一答：
「疼不疼？」
「不疼。我还不哭呢外带着。」
「嘿，你家什么地方住？」
「宝坻县」
「这头剃得好，不疼。剃不好，真疼！
」「剃好了咱还找你去」
「你家几口人呐？」
「十口！
」
「十口人？怎么那么些人呢？」
「人多，好。」
「一天挣二毛钱够挑费不？」
「一天挣两块！
」
「哦，这还不错。」
这段场景被当时的拍摄者描述为 「不用付租金的理发师」。
剃完之后，小伙子还不忘给个好评，一边拍着脑瓜一边说：「剃挺好！
」 那时候的人大概没有预见到，在 90 年后的本日，当代人都忙着生发、植发、戴假发……
希望坐在电脑前的你变强变秃后也能保持这份心态。
剃完了头走走街吧，看看 90 年前的都城地摊长什么样：
可以看到，90 年前的北京街头也是人头攒动，有卖衣服的、卖（遛）鸟的、卖各种小商品的，其热闹程度彷佛不亚于疫情前的王府井。
除了这些，街头还有一些老艺人，向我们呈现百年前的京韵大鼓：
看到这里，你或许已经猜到了这段视频的修复者，他便是前段韶光很火的 B 站 up 主 「大谷」。就在不久前，大谷在他的 B 站账号「大谷的游戏创作小屋」上发布了第一个老北京修复影片 。截止目前，该视频的累计播放量已经达到 200 多万，还得到了央视等威信媒体的宣布。
这次的修复影像由「大谷的游戏创作小屋」和央视新闻联合发布。原视频出处为南卡罗莱纳大学影像库馆藏胶片，音效也不是后期配音，全部为时期原声。
看完之后，很多人才创造，一百年前的北京市民和现在长得千篇一律，口音也一模一样：「还在想回去要咋互换，原来一样的哈哈哈」
还有人评价说，「剃头的俩人像在说相声”。
这次修复用了什么技能？
在第一期的老北京影像修复过程中，UP 主借鉴了外洋 YouTube 博主 Denis Shiryae 的影像修复教程，包括上海交大 Bao Wenbo 等人提出的 DAIN 插帧技能（拜会论文《Depth-Aware Video Frame Interpolation》）。
这一次，UP 主特殊提到，除了上述修复技能，自己还用到了一种新技能：DeepRemaster。
论文地址：http://iizuka.cs.tsukuba.ac.jp/projects/remastering/en/index.html
这项技能由日本筑波大学和早稻田大学的两位研究者互助提出，论文被打算机图形学顶会 SIGGRAPH Asia 2019 收录。与近年来利用递归模型处理视频的方法不同，该方法对老旧影像的修复是基于全卷积网络实现的。
老旧影片的修复包含多项步骤，比如超分辨率、噪声肃清和比拟度增强，旨在让已经老化的影片介质规复到原始状态。当然，由于特定时代的技能限定，许多老旧影片要么是黑白影像，要么色彩呈现质量较低，因此在修复中也常常须要着色。
在这项研究中，研究者提出了一个单一框架，以半交互的办法处理所有重制任务。该框架基于带有把稳力机制的韶光卷积神经网络。他们提出的 source-reference 把稳力许可模型处理任意数量的彩色参考图像（reference color images），在不须要分割的情形下给长视频着色，同时保持韶光同等性。与之前的方法比较，该方法的性能随着视频长度和彩色参考图像数量的增长而增长。
DeepRemaster 的网络架构如下：
输入一系列的黑白图像，通过预处理网络修复，修复的结果作为终极输出视频的亮度通道。然后，source-reference 网络将预处理网络的输出和任意数目的彩色参考图像结合，产生视频的终极色度通道。
在着色过程中，研究者利用了 source-reference 把稳力，让模型依照彩色参考图像中相似区域的颜色对视频进行着色。模型输出部分便是输入视频重制后的版本。
为了测试网络的效果，研究者对一些老旧影像进行了重制，并对该方法进行了定量和定性的深入评估。
不才图中，每个视频最上面一行的图像是着色的参考图像。实验结果表明，利用 source- reference 把稳力，利用少量参考图像即可高效得到稳定、同等的数千帧图像。
《Right to Health, A (Part I)》重制结果, 利用了三张参考图像。
《Freedom Highway (1956)》重制结果，利用了两张参考图像。
《The Jungle Book(1967)》重制结果，利用了 41 张参考图像。
与以往方法比较，用 DeepRemaster 重制的图像与真实天下的色彩更加同等。
在噪声肃清方面，DeepRemaster 能够很好地处理各种类型的噪声，同时也能够锐化输入图像。
如果你也对影片修复感兴趣，可以参考论文中的方法。
