主持人

2022-08-05

以娱乐节目闻名的湖南卫视,近几年在大型文艺晚会中启用主持人方面,一直趋于保守,几乎被汪涵、何炅、李维嘉、谢娜、吴昕、杜海涛、沈梦辰承包了,对新人的扶持明显不够。经过前一段时间娱乐圈的大整顿之后,湖南卫视已经在有意降低全部节目的娱乐性,也是时候趁此机会给综艺节目主持人来一波更新换代了。
随后,主持人何炅、汪涵、李维嘉、吴昕、杜海涛、王一博、大张伟、沈梦辰、钱枫等16位主持人登场,站满了舞台,湖南卫视当家主持人谢娜不在主持之列。
那么谢娜到底会不会离开呢?网友们纷纷去社交平台上找证据,可是并没有找到相关证据,可是却意外发现了一个秘密,细心的网友整理了快乐家族各位主持人的微博认证,发现谢娜和吴昕并非主持人,而何炅、李维嘉、杜海涛、沈梦辰是被官方认定的湖南卫视主持人。
也许细心的网友会发现,与何炅等人不同的是,谢娜的社交媒体认证已经没有了湖南卫视主持人的字样,而与湖南卫视解约的吴昕同样如此。
其实近些年,湖南卫视除了何炅和汪涵挑大梁之外,也培养了很多年轻主持人,男有钱枫、大张伟、王一博等,女有梁田,刘烨、靳梦佳等,这几年也都有了很大的进步,也可以“独当一面”。
快乐家族就只来了何炅和吴昕两个人!剩下的几位主持人都没有到场,像杜海涛,李维嘉,还有谢娜,甚至还有一个新加入的成员丁程鑫,也没有在晚会上担任主持人。
除了各种吸睛的偶像爱豆才艺表演,主持人团队更是取胜的关键,相比较其他卫视的主持人,相信大家对湖南卫视的主持人更为了解,比如何炅、汪涵、谢娜等,这些主持人本身就多才多艺,主持功底深厚,话题热度更不输一线明星。
吴昕、维嘉、海涛、钱枫等都做了这么多年主持人却还在大型晚会上有这种失误,所以即使在同一档节目,他们至今无法超越何炅、汪涵,也很难成为节目的顶梁柱。这样的实力,有些主持人还是以后不要再在节目中卖惨说自己没机会展示了,这是机会来了也把握不住。
每天大型节目湖南卫视都会把天天兄弟和快乐家族全招集到一起主持,主持人多就容易抢话,吴昕、李维嘉这样的主持人都知道有何炅、汪涵这个主咖在场自己负责自己那一拍就好。
同样是1974年出生的男人,何炅成名于《快乐大本营》,而汪涵则因在《天天向上》大放异彩,两人均成为湖南卫视的台柱主持人。
11月10日,湖南卫视双11晚会上,主持人阵容变化大,尤其是女主持人看着好像完成了新一轮的换代,引发网友热切关注。除了汪涵与何炅这两位老搭档,还有梁田、刘烨、李莎旻子、靳梦佳4位新生代美女主持,而以往在湖南卫视大型晚会中常见的主持人谢娜、吴昕、沈梦辰、杜海涛、李维嘉都没有出现。
昨天的芒果台双十一超拼夜的主持人大换血,除了大家熟悉的何炅和汪涵,剩下全是科班出身的专业主持人。这次出现的年轻主持人有梁田、刘烨、靳梦佳、李莎旻子,代替了谢娜、吴昕、杜海涛等。
今年8月,湖南卫视王牌综艺《天天向上》的主持人钱枫暴雷出事,被卫视紧急开除。王一博这时候就成为了节目的常驻嘉宾。这引来观众的质疑:没有主持人证可以做主持人吗?湖南卫视回应说因为他是嘉宾,嘉宾是不需要主持人证的。
还应该看到的是,湖南卫视中秋晚会主持人阵容非常强大,一共是包涵何炅、谢娜当家花旦在内的五位主持人。假如由王一博、汪涵、大张伟这三位主持人主持节目,恐怕还需要另外增加几位主持人。所以,基于这样的情况,就没有看到王一博和汪涵的身影。
其实湖南卫视男主持人阵营有些青黄不接是早就存在的问题,之前马可李好李响那批适合当汪涵何炅接班人的主持人,早就熬不过艺术生命力常青的前辈,被江苏卫视挖过去当了综艺一哥,而现在重点培养沈梦辰梁田刘烨靳梦佳等都是女主持人,是谢娜的接班人。所以挖掘训练新男主持人迫在眉睫,于是领导团队也在适当选拔和在节目中实行老带新,只是没想到会从“声入人心男团”里选出仝卓高天鹤,培养他们当主持人。
作为相当有实力的主持人,他们在晚会中的表现,仍旧保持着一贯水准,幽默中不失内涵,给观众带来无数欢声笑语,配合起来也非常有默契。除了汪涵两人外,在女主持人中,最亮眼的当属吴昕了,稳稳站在c位备受瞩目。
从收视率上来看:湖南卫视在五大卫视中是一骑绝尘的,主持人也是遥遥领先,何炅、汪涵、谢娜三座大山无法超越。浙江卫视的华少,江苏卫视的孟非,北京卫视的春妮,是勉强可以与何炅、汪涵、谢娜一战的。东方卫视缺有名的女主持人,北京卫视缺有名的男主持人。
提及最强卫视档湖南卫视必须榜上有名,而湖南卫视最具影响力的当家主持人汪涵与何炅必然是当之无愧,汪涵的天天向上和何炅的快乐大本营都是湖南卫视的王牌栏目,前前后后贡献了诸多收视率,所以两人在大众眼中都是难以替代的存在,不过很少有人知道,两位同样颇具声望的主持人其实在台内的地位却千差万别。
此次双11晩会安排的主持人,就是一次全新的尝试,让年轻主持人得到露脸的机会。不用谢娜,应该是考虑她年龄大了,家里还有三个孩子,以后肯定也会把更多的精力放在陪伴孩子们身上,加上现在张杰事业红火,不需要她那么忙碌。吴昕是一直存在感不强,业务不精,不求上进,年龄不上不下,这么多年观众没有看到她的亮点,湖南卫视不可能永远给机会。
主持人一上台就分别说台词,何炅、汪涵等几位主持人都认真准备了,沈梦辰和梁田等也都是脱稿,然而维嘉、吴昕、杜海涛、钱枫等几位都没记住词,一致地低头读台本,让人观感不佳。
央视并非缺少哪一位主持人就无法正常运营,即便像董卿这种颇具影响力的主持人,未来总有一天也会离开主持舞台,显然央视从现在开始已经着手寻找能够替代董卿的主持人。
目前,央视官方网站主持人栏目仍以董卿的名字命名为综艺节目主持人。董卿显然改变了自己的职业和工作重心,她很少出现在正规的舞台主持人中,而是担任制片人,主持人和幕后制作她最喜欢的节目内容。
说话是艺术,说话是门道,优秀的主持人在节目里或是舞台上,虽然不是主角,却是观众们不可或缺的最信赖的人。五个最会救场的主持人,董卿上榜,图5何炅被誉为“主持界救场王”,他们的救场和圆场,对舞台对节目的贡献大多数时候是无形的。那么以上五位主持人,你又最喜欢哪一位呢?返回搜狐,查看更多
这两年,湖南卫视很多主持人出了问题:私生活、代言、收粉丝礼物、作弊等。没办法,湖南卫视是影响力最大的地方卫视,他们的主持人比很多明星都有名,尤其是何炅、谢娜、汪涵,单论影响力,在中国主持界可以排进前五了。
另外,谢娜主持能力弱,吴昕爱炒作,杜海涛更是主持人,李维嘉事业一直不温不火,快乐家族5人散伙之后,没有呈现散是满天星的状态,未来发展状况堪忧,同时对于湖南卫视来说,不仅损失了一档节目,还同时失去了5位知名度颇高的主持人。
这两年,湖南卫视很多主持人都出现了问题:私生活、代言、收粉丝礼物、出轨等等。我没办法。湖南卫视是当地最有影响力的电视台。他们的主持人比很多明星都要出名,尤其是何炅,谢娜和汪涵,单就影响力而言,他们可以排在中国的前五名
在晚会之前,央视曝光了本次晚会的主持人阵容,主持人小尼、张蕾、杨帆、陈超携手七夕光影推荐官董卿为你带来一场别开生面的七夕直播!同时2019主持人大赛的明星选手张舒越、尹颂,作为外景主持人,带领观众玩转不一样的“仙境”地带,打卡最浪漫的七夕圣地,体验各地不同的七夕文化。
成名后的钱枫,偶然间进入了《天天向上》,成为了一名主持人。随着《天天向上》的爆火,以及汪涵的提携,逐渐成为湖南卫视的知名主持人。
一名优秀的主持人需要具备广博深厚的知识底蕴,简洁流利的言语表达能力以及良好的心理素质与临场应变能力。例如,着名央视主持人董卿便是一位优雅大方、知识渊博、气质绝佳的女主持人,她曾荣获华鼎奖最佳表现女主持人奖、最受大学生喜爱的电视节目主持人奖等诸多奖项。

继续阅读

为了自动驾驶,谷歌用NeRF在虚拟世界中重建了旧金山市

2022-02-14

训练自动驾驶系统需要高精地图,海量的数据和虚拟环境,每家致力于此方向的科技公司都有自己的方法,Waymo 有自己的自动驾驶出租车队,英伟达创建了用于大规模训练的虚拟环境 NVIDIA DRIVE Sim 平台。近日,来自 Google AI 和谷歌自家自动驾驶公司 Waymo 的研究人员实践了一个新思路,他们尝试用 280 万张街景照片重建出整片旧金山市区的 3D 环境。

 

通过大量街景图片,谷歌的研究人员们构建了一个 Block-NeRF 网格,完成了迄今为止最大的神经网络场景表征,渲染了旧金山的街景。

该研究提交到 arXiv 上之后,Jeff Dean 立即转推介绍:

Block-NeRF 是一种神经辐射场的变体,可以表征大规模环境。具体来说,该研究表明,当扩展 NeRF 以渲染跨越多个街区的城市场景时,将场景分解为多个单独训练的 NeRF 至关重要。这种分解将渲染时间与场景大小分离,使渲染能够扩展到任意大的环境,并允许对环境进行逐块更新。

该研究采用几项架构更改,使得 NeRF 对数月内不同环境条件下捕获的数据具有鲁棒性,为每个单独的 NeRF 添加了外观嵌入、学习姿态细化和可控曝光,并提出了一种用于对齐相邻 NeRF 之间外观的程序,以便无缝组合。

《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》是 UC Berkeley 研究人员在 ECCV 2020 上的一篇论文,获得了最佳论文提名。其提出一种隐式 3D 场景表征,不同于显示场景表征(如点云、网格 mesh),其原理是求解穿过场景的任何光线的颜色,从而渲染合成新视角的 2D 场景图片。

NeRF 在给定一组姿态相机图像的情况下,实现了照片般逼真的重建和新型视图合成。NeRF 早期的工作往往侧重于小规模和以对象为中心的重建。尽管现在有些方法可以重建单个房间或建筑物大小的场景,但这些方法仍然范围有限,不能扩展到城市规模的环境。由于模型容量有限,将这些方法应用于大型环境通常会导致明显的伪影和低视觉保真度。

重建大规模环境在自动驾驶、航空测量等领域具有广泛应用前景。例如创建大范围的高保真地图,为机器人定位、导航等应用提供先验知识。此外,自动驾驶系统通常通过重新模拟以前遇到的场景来进行评估,然而任何与记录存在的偏差都可能改变车辆的轨迹,因此需要沿着路径进行高保真的视图渲染。除了基本的视图合成,以场景为条件的 NeRF 还能够改变环境照明条件,例如相机曝光、天气或一天中不同的时间,这可用于进一步增强模拟场景。

 

论文链接:https://arxiv.org/abs/2202.05263项目链接:https://waymo.com/intl/zh-cn/research/block-nerf/

如上图所示,谷歌此次提出的 Block-NeRF 是一种通过使用多个紧凑的 NeRF 表征环境来实现大规模场景重建的方法。在推理时,Block-NeRF 无缝结合给定区域的相关 NeRF 的渲染。上图的示例使用 3 个月内收集的数据重建了旧金山的阿拉莫广场社区。Block-NeRF 可以更新环境的各个块,而无需对整个场景进行重新训练。

重建如此大规模的环境会带来额外的挑战,包括瞬态物体(汽车和行人)的存在、模型容量的限制以及内存和计算限制。此外,在一致的条件下,极不可能在一次捕获中收集如此大环境的训练数据。相反,环境不同部分的数据可能需要来自不同的数据收集工作,这会在场景几何(例如,建筑工作和停放的汽车)以及外观(例如,天气条件和一天中不同的时间)中引入差异。

方法

该研究通过外观嵌入和学习姿态细化来扩展 NeRF,以应对收集到的数据中的环境变化和姿态错误,同时还为 NeRF 添加了曝光条件,以提供在推理过程中修改曝光的能力。添加这些变化之后的模型被研究者称为 Block-NeRF。扩大 Block-NeRF 的网络容量将能够表征越来越大的场景。然而,这种方法本身有许多限制:渲染时间随着网络的大小而变化,网络不再适合单个计算设备,更新或扩展环境需要重新训练整个网络。

为了应对这些挑战,研究者提出将大型环境划分为多个单独训练的 Block-NeRF,然后在推理时动态渲染和组合。单独建模这些 Block-NeRF 可以实现最大的灵活性,扩展到任意大的环境,并提供以分段方式更新或引入新区域的能力,而无需重新训练整个环境。要计算目标视图,只需渲染 Block-NeRF 的子集,然后根据它们相对于相机的地理位置进行合成。为了实现更无缝的合成,谷歌提出了一种外观匹配技术,通过优化它们的外观嵌入,将不同的 Block-NeRF 进行视觉对齐。

图 2:重建场景被分成了多个 Block-NeRF,每个 Block-NeRF 都在特定 Block-NeRF 原点坐标(橙色点)的某个原型区域(橙色虚线)内的数据上进行训练。

该研究在 mipNeRF 的基础上构建了 Block-NeRF 实现,改善了因输入图像从许多不同距离观察场景造成的损害 NeRF 性能的混叠问题。研究人员结合了来自 NeRF in the Wild (NeRF-W) 的技术,该技术在将 NeRF 应用于 Photo Tourism 数据集中的地标时,为每个训练图像添加一个潜在代码以处理不一致的场景外观。NeRF-W 从数千张图像中为每个地标创建一个单独的 NeRF,而谷歌的新方法结合了许多 NeRF,从数百万张图像中重建一个连贯的大环境,并结合了学习相机姿态细化。

图 3. 新模型是 mip-NeRF 中提出的模型的扩展。

一些基于 NeRF 的方法使用分割数据来隔离和重建视频序列中的静态和动态对象(如人或汽车)。由于该研究主要关注重建环境本身,所以在训练期间简单地选择屏蔽掉动态对象。

为了动态选择相关的 Block-NeRF 进行渲染,并在遍历场景时以平滑的方式进行合成,谷歌优化了外观代码以匹配光照条件,并使用基于每个 Block-NeRF 到新视图的距离计算的插值权重。

重建效果

鉴于数据的不同部分可能在不同的环境条件下被捕获,算法遵循 NeRF-W 并使用生成式潜在优化(Generative Latent Optimization,GLO)来优化 perimage 外观嵌入向量。这使得 NeRF 可以解释几个外观变化的条件,例如变化的天气和照明。同时还可以操纵这些外观嵌入,以在训练数据中观察到的不同条件之间进行插值(例如多云与晴朗的天空,或白天和黑夜)。

图 4. 外观代码允许模型展示出不同的照明和天气条件。

整个环境可以由任意数量的 Block-NeRF 组成。为了提高效率,研究人员利用两种过滤机制仅渲染给定目标视点的相关区块,这里只考虑目标视点设定半径内的 Block-NeRF。此外,系统对于每个候选者都会计算相关的可见性。如果平均可见度低于阈值,则丢弃 Block-NeRF。图 2 提供了一个可见性过滤的示例。可见性可以快速计算,因为它的网络独立于颜色网络,并且不需要以目标图像分辨率进行渲染。过滤后,通常有 1 到 3 个 Block-NeRF 需要合并。

图 5. 谷歌的模型包含曝光条件,这有助于解释训练数据中存在的曝光量变化,允许用户在推理过程中以人类可解释的方式更改输出图像的外观。

为了重建整个城市场景,研究人员在录制街景时捕获长期序列数据(超过 100 秒),并在几个月内在特定目标区域重复捕获不同序列。谷歌使用从 12 个摄像头捕获的图像数据,这些摄像头共同提供 360° 视图。其中 8 个摄像头从车顶提供完整的环视图,另外 4 个摄像头位于车辆前部,指向前方和侧面。每个相机以 10 Hz 的频率捕获图像并存储一个标量曝光值。车辆姿态是已知的,并且所有摄像机都经过校准。

借助这些信息,该研究在一个共同的坐标系中计算相应的相机光线原点和方向,同时将相机的滚动快门考虑在内。

图 6. 当渲染基于多个 Block-NeRF 的场景时,该算法使用外观匹配来获得整个场景的一致样貌。给定一个 Block-NeRF(图左)的固定目标外观,算法会优化相邻 Block-NeRF 的外观以匹配。在此示例中,外观匹配了在 Block-NeRF 中产生一致的夜间外观。

图 7. 多段数据的模型消融结果。外观嵌入有助于神经网络避免添加云雾几何体来解释天气和光照等环境变化。移除曝光会略微降低了准确度。姿态优化有助于锐化结果并消除重复对象的重影,如在第一行的电线杆上观察到的那样。

未来展望

谷歌研究人员表示,新方法仍然有一些问题有待解决,比如部分车辆和阴影没有被正确移除,植被因为外观随季节变化而在虚拟环境中变得模糊。同时,训练数据中的时间不一致(例如施工工作)无法被 AI 自动处理,需要手动重新训练受影响的区域。

此外,目前无法渲染包含动态对象的场景限制了 Block-NeRF 对机器人闭环模拟任务的适用性。将来,这些问题或许可以通过在优化过程中学习瞬态对象来解决,或者直接对动态对象进行建模。

继续阅读