OCIO v2 的好处都有啥

Andy Guo原创

Color
三十分钟系列

Color
Color Science
色彩空间
色彩科学
ACES
OCIO
反向LUT

大约 13 分钟

OCIO v2 的好处都有啥

起源

最近ACES 的各种讨论感觉又火了起来。ACES 经过这么多年的打磨、更新、教育、标杆作品出现，使得行业对于ACES的接纳程度越来越高了。

我个人觉得最功不可没的还属是各大软件厂商的支持，使得ACES 不再是少数人的玩具，每个人都可以自己在软件里面，自己摆弄一下各种in colorspace 和out colorspace 选项，就能够看到直观的色彩变化了。

ScreenShot2022-02-07at21.07.10.png

今天，不说ACES 本身了，说说ACES 背后的“好心人” OpenColorIO。

手撸实现 vs `OCIO`

不禁让我想起自己在2014年左右开始研究ACES 的时候，自己看着CTL 的算法在各种软件里面进行实现，其中包括python、nuke NDK、OFX、renderman shader 等，非常麻烦：

每个实现方式都略有不同
纯粹CPU 的实现效能又比较差……（~~主要还是因为自己人菜~~）

OCIO 作为ASWF 接纳的开源项目，是一套非常成熟的色彩管理解决方案。有了OCIO，所有的色彩管理都可以认为是一套“方案”或者“预设”，OCIO 按照这个方案对色彩进行运算处理即可。

好处主要有：

色彩管理方案和实际运算引擎分离。兼容未来新的色彩空间，无需每出现一套新的处理方案就需要重写计算部分
分离后的色彩管理方案，可以轻松实现自定义配置。版本控制优秀
可以保证在所有支持OCIO 的软件内得到相同的结果
软件厂家只需要内嵌OCIO，无需自己亲自实现色彩运算部分
让色彩管理操作简化，降低用户跨软件的学习成本

提示

不得不说，Sony Pictures Imageworks 真·好心人！又把自家的好东西拿出来了～

`OCIO v2` 来了！

计算反向`LUT`，又来了！

看完了刚才那一大堆OCIO v2 的新特性，不知道你有没有很敏锐的发现一些小秘密？

提示

所有操作都支持反向？！那岂不是…… 3D LUT？

没错，计算反向LUT，他又回来了！

TL;DR

如果你只是想得到一个反向LUT，那么跟着下面操作就行了。

安装OCIO v2

brew install opencolorio

等待漫长的安装
开始计算反LUT

ociobakelut --format resolve_cube --invlut [INPUT.cube] --cubesize 65 [INV.cube]

好了

更加详细的解释

如果读到了这里，我估计你不会满足于上面的操作。是不是想要了解更多？

这个反LUT 的效果怎么样？
OCIO v2 的反LUT 算法是什么？
比起之前自己写的那么多种反向计算LUT 算法，有什么优势？

效果

首先来看反LUT 的效果。这里测试使用的是Sony Slog Sgamut3.cine to Rec709 的官方LUT。

OCIOv2_sony_inv.cube

原始	原始+官方LUT	原始+官方LUT+反LUT

简单来说，可用！还不错！操作非常简单！综合性价比高！

具体分析一下的话，首先是肉眼观感，基本上可以做到非常不错的抵消。但是从标准color box 就能看出来问题了，还是对于clamp 或者极度压缩的区域是无法很好的处理。（这本身就是一个 ill problem，原理上无法解决，只能 trick 来逼近）

算法是如何实现的？

OCIO 是开源的，那么所有的答案自然就在他的代码里面了。我们去OpenColorIO 的github 仓库open in new window 看看。

经过一番学习，我目前理解的算法方式如下（还没仔细看，不代表正确）。

参考：OpenColorIO/src/OpenColorIO/ops/lut3d/Lut3DOpCPU.cpp 中的

void InvLut3DRenderer::apply(const void * inImg, void * outImg, long numPixels) const
{...}
	
unsigned long invert_hypercube
(
    unsigned long    n,
    float*           x_out,
    const float*     gr,
    unsigned long*   ind2off,
    float*           val,
    unsigned long*   guess,
    unsigned long    list_len,
    long*            ops_list,
    unsigned long*   entering_list,
    unsigned long*   new_vert_list,
    unsigned long*   path_list,
    unsigned long*   path_order
)
{...}

算法原理

首先LUT 对于整体色彩空间来说，产生的是一种“非均匀的形变”。有点像是橡皮泥一项，可以随意的捏。这里用2D 格子来进行说明。

ScreenShot2022-02-07at22.51.20.png

但是对于4号小格子来说，由于LUT 的精度限制，所以可以认为一个小格子只能发生仿射变换。

ScreenShot2022-02-07at22.54.10.png

好了，当出现“仿射变换”的时候，线性代数就告诉我们，问题就比较好解决了。整个求反向LUT 的大问题就被拆解成了两个小问题：

如何找到重新采样的晶格顶点，属于哪个格子？
如何对一个小格子求解仿射变换的逆变换？

重新采样的晶格顶点属于哪个格子？

如何确定重新采样的晶格顶点，属于形变后哪个格子？

我们还是画图来看。对于LUT 变换后的色彩空间重新进行均匀的顶点采样，可以看到重新采样的3号格子的右下角顶点，落在了变换前的4号格子内。

ScreenShot2022-02-07at23.04.28.png

这里有很多技巧可以优化查找速度，不过最粗暴的方法就是进行遍历！由于LUT 只需要生成一次，所以即使慢也没有什么太大的关系。

仿射变换的逆变换

当确定3号格子的右下角晶格点属于原先的4号格子后，我们就需要进行逆变换。计算出晶格点对应原始空间的坐标。

ScreenShot2022-02-07at23.11.49.png

这个空间坐标就是反向LUT 对应的数值！

算法的一些问题

很明显这个算法的性能很好，这符合OCIO 对于实时处理的需求。不过也存在几个问题：

如果小格子被压缩成为一条线？也就是仿射变换矩阵的秩 = 0，那么就没有逆矩阵了（可以求伪逆）。在LUT 边缘处很容易出现这个问题
重新采样的一个格子，对应的顶点，往往会属于多个变换前的格子。仅仅对于每个顶点求解逆变换，并不是该格子内部所有点的最优解。

和其他反向算法比起来？

我也写过好几种不同的反向计算LUT 的算法了。由于OCIO v2 的反向算法也是完全无需人工干预的，所以这里就不和色彩匹配算法（3D Thin-Plate Spline）比较了，主要和利用机器学习的梯度下降算法进行比较。

还是先说结论：

对比项目	OCIO v2 算法	梯度下降算法
肉眼感官	✅ 优秀	✅ 优秀
数值精度	✅ 中心区域优秀 ⚠️ 边缘range稍优于梯度下降	✅ ✅ 中心区域更优秀 ❌ 边缘抖动｜
计算速度	✅ 很快（秒级）	❌ 很慢（半天级别）
实现难度	✅ 无需自己实现	❌ 自己实现门槛高
操作难度	✅ 安装即用	❌ 要敲代码，或者封装

从上面来看，综合性价比最好的选择就不用我说了吧……

总结

你觉得命令行操作依旧很麻烦？

如果你有安装nuke 13.1 以上的版本，就会发现nuke 内嵌的OCIO 已经是2.0 版本啦，那么反向LUT 的操作甚至可以直接在软件内的OCIO FileTransform 节点中进行操作！

ScreenShot2022-02-07at23.27.10.png

不过经过对比，发现这种方法得到的效果和使用ociobakelut 生成LUT 的方法有一些区别。

目前比较值得怀疑的点是 OCIO 提供了 OPTIMIZATION_LOSSLESS 和 OPTIMIZATION_LUT_INV_FAST 两种模式，nuke 在软件内追求速度，所以使用了FAST 模式；而ociobakelut 命令行不关心速度，就使用了INV_EXACT 模式。

Andy 泪目

曾经的知识，在新的科技面前，变得好像没什么了不起了 😭

参考阅读：

温馨提示

现在有 Andy 十分钟色彩科学合集售卖open in new window

十分钟色彩科学面包多二维码

购买后加微信muyanru345，拉入Andy 铁粉儿群，可在群里对学习工作中的色彩疑问进行讨论。

OCIO v2 的好处都有啥

# OCIO v2 的好处都有啥

# 起源

# 手撸实现 vs OCIO

# OCIO v2 来了！

# 计算反向LUT，又来了！

# TL;DR

# 更加详细的解释

# 效果

# 算法是如何实现的？

# 算法原理

# 重新采样的晶格顶点属于哪个格子？

# 仿射变换的逆变换

# 算法的一些问题

# 和其他反向算法比起来？

# 总结

OCIO v2 的好处都有啥

起源

手撸实现 vs `OCIO`

`OCIO v2` 来了！

计算反向`LUT`，又来了！

TL;DR

更加详细的解释

效果

算法是如何实现的？

算法原理

重新采样的晶格顶点属于哪个格子？

仿射变换的逆变换

算法的一些问题

和其他反向算法比起来？

总结