上周五参加了虎嗅新媒体营销大会,整体乏善可陈,只是其中一个环节,虎嗅请来一度引发现象级争议的BOSS直聘、铂爵旅拍广告制作方,现场分享他们独特的创作逻辑。虎嗅还为此攒了个局,找来对这两个广告深恶痛绝的自媒体代表,当堂对峙,起哄架秧子的意图很明显。但结果让人失望。两位在广告自媒体领域颇有声名的小姐姐,从一开始就没有把铂爵旅拍的广告当作专业领域内一种值得讨论的现象,而停留在个人好恶层面,乃至当面直斥对方的广告是垃圾,迹近人身攻击,姿态既不雅观,观众也乏新知,白白浪费一次严肃交流的机会。但其实,即便再痛恨,BOSS直聘和铂爵旅拍的广告也已经成为你无法忽视的案例。口嫌体正直的甲方们内心暗戳戳迫切想知道的其实是灵魂追问三连击:到底有效果吗?为什么有效果?能借鉴吗?一、到底有效果吗?“效果”是一个意义不够明确的、暧昧的词,不同立场的人可把它解释为曝光量、知名度、美誉度、转化率等等,阐释空间太大,导致大部分基于这个词语的争论都是失效的:大家根本没问对问题嘛!关于BOSS直聘和铂爵旅拍,我们想知道的其实是:对知名度彻底的、不及其余的追求是合理的吗?品牌突围的前提是出名,但出一个“骂名”对生意的增长是有帮助的吗?我们知道,广告是一个典型夹缝中求生的行业。品牌和消费者的诉求截然相反、彼此抵牾,品牌是广告的金主,消费者是广告的裁判,广告人大多数时候需要在二者之间(更糟的是,有时候还要加上广告人自己的审美偏好)取得平衡。在这种情况下,除了极少数金字塔尖的传世之作,大多数广告呈现出的状态是“精巧而无用”,过眼即忘。这种传统的、四面讨好式的广告要想出头,非大师级的创意不能为。那不是大师的一般人怎么办?一些广告人开始师从传播学巨擘麦克卢汉:“愤怒的受众是最忠实的受众”。他们简单粗暴地投向品牌主,简单粗暴地对待消费者,用带有攻击性的视听语言强迫消费者记住他们。这种类型的广告可以叫做“冒犯型广告”,远有史玉柱、恒源祥,中有“嘴闲着特危险”的猫哆哩,近有BOSS直聘、铂爵旅拍。有效果吗?冒犯受众,博取骂名,对生意有帮助吗?答案很可能是肯定的:脑白金广告花几十亿投了十几年,而BOSS直聘、铂爵旅拍,据说正在跟同一个制作方筹拍下一条广告。二、为什么冒犯型广告居然有效果?既然“冒犯”了受众(甚至公众),那这种类型的广告对品牌声誉必然是存在伤害的,为什么反而对生意有帮助?医学界有句常被提起的科普
“抛开剂量谈毒性都是耍流氓”,药品里许多物质是有毒性的,但剂量相比人身可以承受的范围远远不及,那就可以默认为安全。“冒犯型广告”也是如此,决定品牌主能否承受其“毒性”的是自己的体质,换言之,品类。只有特定的品类可以冒犯受众而不受惩罚,金融业一定不可以,但快消可以(猫哆哩),汽车一定不可以,但互联网服务可以(BOSS直聘)。简言之,“冒犯型广告”适合低频、刚需、轻决策的品类。低频和刚需让这些品类兼具“不用不行”和“用过即走”的特性,消费者到了真正需要使用这些品类的场景,冒犯型广告带来的恶感因为时光境迁,与这些产品带来的价值相比,立刻变得不再重要。所以一面是网络上愤怒的评论“这广告彻底把我恶心了”、“BOSS直聘一生黑”,一面是BOSS直聘急速上涨的下载量:真遇上找工作这种再硬核不过的需求,有什么比多一个渠道更重要的?何况只是短暂忍受一个有点“黑历史”的招聘APP而已。脑白金和铂爵旅拍亦然:过年了不知道送什么,那就脑白金吧,长辈们至少听说过;要拍婚纱照了,市面上那么多摄影机构,看起来也差不多,那就挑一个听过的吧,叫什么来着,铂爵旅拍?这也是为什么,虽然去年与BOSS直聘同期推出,但知乎那一波“上知乎用知乎”的广告在被讨论时往往只是作为后者的从属,本身并没有带来太大的反响。知乎是一个内容分享的社区,既不低频,也不刚需,得罪了用户,用户可能就真的转身离去了。不单是知乎,BOSS直聘制作方操盘的另一个相似品类的项目“即刻”,即便采用了与铂爵旅拍、BOSS直聘相似的创作逻辑,也同样反响寥寥。轻决策是另一个关键点,比如金融、汽车、房产这样重决策、需要信赖感的品类一定都不适合冒犯型广告。奔驰最近想必深有体会,一个大型负面对他们有多大影响。深究其里,低频、刚需、轻决策品类所采用的冒犯型广告利用的是“睡眠者效应”和“预期管理”这两个心理学机制的叠加影响。“睡眠者效应”是心理学家发现的一种反直觉的心理现象,简单说就是信息在受众心智中产生的影响会随着时间推移而发生变化,受众一开始深信不疑的会慢慢产生疑虑,但一开始不能接受的信息却也会慢慢接受。背后成因众说纷纭尚无定论,但冒犯型广告的作用机理无疑与此有关。此外,消费者由于睡眠者效应采用原本厌恶的某种产品或服务时,往往发现并不如想象中那么差,反而会产生超出预期的满足感,很多时候这就是出乎创作者们意料的了。三、我们可以借鉴冒犯型广告吗?一个疑问是,通过冒犯公众“无下限地博出位”取得了效果,那有朝一日大家都这么干,这条路还走得通吗?实际上,现在是流量红利消失殆尽、各个品牌为了用户注意力争得你死我活的时代。仔细注意电梯里的分众广告,大家早已经不再温柔恭俭让,各种“无下限博出位”不是“有朝一日”,而是早已经大肆出现了。虎嗅的分享会上,自媒体质问铂爵旅拍广告创作者:你们生产这样的垃圾,有何创意可言?我们广告人的尊严往哪里放?——这是一个很常见的误解,冒犯型广告想要有效,并不只是脸皮厚就够了。否则这么多年为什么只有一个脑白金?难道大家不知道脑白金的广告有效?难道只有史玉柱一个人的脸皮最厚?冒犯型广告同样需要足够的、以解决问题为目标的创意能力,需要解决的问题至少包括信息传达和受众阈值两个方面。一支15s的广告,单单强迫消费者记住品牌的名字是不够的,还需要把品牌的定位和利益点场景化地植入消费者的脑海。脑白金的14个字里,包含了品牌名称、定位、使用场景,能做到这点的品牌,纵观整个广告史都不多见。铂爵旅拍和BOSS直聘至少也让我们记住了产品的核心利益点(全球旅拍、直接跟老板谈)。受众阈值就是乔治路易斯所谓广告“艺术性”的部分了,需要对消费者心理有精微的洞察。同样是冒犯,但姿势不同、态度不同、话术不同,产生的结果也有本质的不同。总之,冒犯型广告作为广告行业一个特殊的类别,自有其适宜生存的土壤,铂爵旅拍的热度慢慢褪去,也一定会有后继者继续跟上。我们作为营销从业者,不必神话其效果,也不必妖魔化其手段,合则取其精华,不合则去其糟粕才是应该有的态度。

近年来,在线广告在整个广告行业的比重越来越高。在线广告中实时竞价的广告由于其良好的转化效果,占有的比重逐年升高。DSP(Demand-Side
Platform)作为需求方平台,通过广告交易平台(AdExchange)对每次曝光进行竞价尝试。对于AdExchange的每次竞价请求,DSP根据Cookie
Mapping或者设备信息,尝试把正在浏览媒体网站、App的用户映射到DSP能够识别的用户,然后根据DSP从用户历史行为中挖掘的用户画像,进行流量筛选、点击率/转化率预估等,致力于ROI的最大化。美团点评的用户量越来越大,积累了大量的用户在站内的行为信息,我们基于这些行为构造了精准的用户画像,并在此基础上针对美团App和网站的用户搭建了美团DSP平台,致力于获取站外优质的流量,为公司带来效益。本文从策略角度描述一下在搭建DSP过程中的考虑、权衡及对未来的思考。在DSP实时竞价过程中,策略端都在哪些步骤起作用;对每一个步骤的尝试和优化方向做出详细介绍;总结DSP如何通过AB测试、用户行为反馈收集、模型迭代、指导出价/排序等步骤来打通整个DSP实时竞价广告闭环。美团DSP在一次完整的竞价展示过程中可能涉及到两个大的步骤:对AdExchange的竞价请求实时竞价;竞价成功之后用户点击进入二跳页、浏览、点击、最后转化。我们分别看一下这两个步骤中策略的支持。上图给出了每一次竞价广告的粗略示意图,竞价Gateway在收到竞价请求之后,会识别出美团点评用户的流量,根据网站历史CTR、网站品类属性等因素进行简单的流量过滤,把流量分发到后端的AdServer。AdServer作为后端广告的总控模块,首先向RecServer(定向召回服务)获取站外展示广告召回结果,然后根据获取的广告结果向PredictorServer(CTR/点击价值预测服务)请求每个广告的站外点击率和点击价值。最后AdServer根据获取的点击价值v和ctr,根据v∗ctrt进行排序,从而挑选出top的广告进行展示。上图给出了竞价成功后,用户从站外展示的广告点击后,所经历的流程示意图。用户点击站外广告后,到达二跳页Gateway,二跳页Gateway向AdServer请求广告列表。AdServer从RecServer获取站内二跳页广告召回结果,然后根据获取的广告结果向PredictorServer请求每个广告的二跳页点击率并进行排序。排序后的结果返回给二跳页Gateway进行广告填充。在上述两个步骤中,美团DSP策略端的支持由RecServer和PredictorServer提供,在图1和图2分别用红色的箭头和AdServer交互。其中RecServer主要负责站外广告和二跳页的广告召回策略,而PredictorServer主要负责站外流量的CTR预估,点击价值预估和二跳页内的CTR预估。整个策略的闭环如下图:接下来详细介绍下美团DSP的召回、CTR预估、点击价值预估相关的策略。定向召回服务定向召回服务分别在实时竞价过程中提供了站外广告的召回服务,在竞价完成之后提供了二跳页的广告召回服务。站外召回和站内二跳页召回没有本质的区别,比较常见的做法是二跳页会根据用户点击商品的品类进行品类过滤。下面我们具体看一下目前定向召回相关的具体策略。一、基于实时行为召回通过实时日志流平台准确的跟踪用户的实时点击浏览/收藏/购买行为,对于相应的用户重新投放用户近一段时间内发生过浏览/收藏/购买行为的商品。需要注意的是这个策略需要考虑召回概率按时间进行衰减,用户的实时行为能够比较强反映用户的近期兴趣,距离当前时间比较长的用户行为对于用户近期兴趣的定向偏弱。二、基于位置召回O2O的业务特点与传统的电商有明显的区别,传统电商是在线上达成交易意向,然后通过快递送货的方式完成交易。O2O业务绝大部分消费者是在线上买入电子券,然后要到店进行消费,所以用户的位置信息在广告召回中起着举足轻重的作用。我们在基于位置的广告召回中尝试了以下三种策略:实时地理位置召回根据用户所在的实时地理位置召回距离比较近的广告。对于移动端的广告流量,可以比较准确的获得用户的实时地理位置,从而进行比较精准的投放;对于PC端的流量,地理位置是通过用户访问的IP地址进行推算的,所以地理位置是有偏移的,但是考虑到PC端浏览广告的流量用户位置一般都比较固定,比如用户一般是在上班或者在家休息,我们仍然使用了这个策略。实时商圈热单召回根据用户所在的实时地理位置推断出用户目前所在商圈,给用户投放当前商圈的热门消费单。商圈的范围一般在几公里范围之内,对于用户到店消费是一个合理的距离范围,所以我们离线挖掘出每一个商圈的热门消费单,作为用户召回的候选。偏好商圈热单召回通过离线分析用户历史的浏览/点击/购买行为,分析出用户的历史商圈偏好,召回用户偏好的商圈消费热单作为广告候选集。这个策略需要用户的userid,仅对于能够识别并能映射到userid的用户适用。可以看到策略1和策略2是不需要userid的,所以这两个策略也是我们在识别不到userid的时候一个比较好的冷启动召回策略。三、基于协同过滤召回基于协同过滤的召回策略我们融合了user-based和item-based两种。四、基于item-based的协同过滤我们首先通过用户的购买行为计算item之间的相似度,比如通过计算发现item
A和item B之间的相似度比较高,我们把item A作为候选推荐给购买item
B的用户,作为item B的用户的召回候选集之一;同样也把item
B作为候选推荐给购买item A的用户,作为购买item
A的用户的召回候选集之一。因为item-based协同过滤的特征,这一部分召回基本能够把热门爆款单都拉到候选集中。五、基于user-based的协同过滤我们同样需要先计算用户之间的相似度。计算用户相似度时,除了考虑用户购买的商品,还可以把用户所消费过的商家及商家所在的商圈作为相似度权重考虑进来。这么做是因为,很多商品是在全国多个城市都可以购买的,如果只采用用户购买的商品来计算相似度,可能把两个不同城市用户的相似度计算的比较高,加入商家和商圈的权重,可以大大降低这种情况的可能性。六、基于矩阵分解的场景化召回对于O2O消费的某些场景,比如美食和外卖,用户是否发生购买与用户目前所处的场景有很大关系,这里的场景包含时间、地点、季节、天气等。举个例子来说,工作日的中午,如果还在下雨,这个时候外卖的购买概率一般是比其他商品高的。基于此,我们开发了基于矩阵分解的场景化召回策略。我们采用了FM模型来进行建模,建模的特征包括季节、时间(工作日/周末,一天之内的时段)、地点、天气等。这个策略的目的是希望召回用户实时的基于场景化的需求。上文提到在实时竞价阶段,AdServer会跟PredictorServer请求每个广告的站外点击率和点击价值,最后AdServer根据获取的点击价值v和ctr,根据$v∗ctr^t$进行站外广告排序,挑选top的广告。最终的报价公式如下:$$a∗∑i=1kvi∗ctrti+b(1)$$k是本次竞价要展示的广告数,t,a,b都是根据实际流量情况进行调整。其中t为挤压因子,为了控制ctr在排序和报价中起作用的比重,t越大,ctr在排序和报价中的比重越高;a,b需要根据DSP需要获取的流量和需要达到的ROI之间的权衡进行调整,a,b越大,出价越高,获取的流量越多,成本越高,ROI就减少。公式1中CTR直接作为一个引子进行出价计算,所以这里的CTR必须是一个真实的点击率。因为在站外广告点击日志中,正样本是非常稀疏的,为了保证模型的准确度,我们一般都会采用负样本抽样。这样模型估计出来的CTR相对大小是没有问题的,可以作为排序依据,但是用来计算出价的时候,必须把负样本采样过程还原回去,我们在下面的小节中详细解释。站外CTR预估该模型目标是,对于RecServer召回的广告,预测出广告的相对点击率和真实点击率,相对点击率用于排序,
真实点击率用于流量报价。对于每个流量,AdExchange会下发给多个DSP,报价最高的DSP会胜出,获取在这个流量上展示广告的机会。为了能够引入更多的优质流量,减少流量成本,提高ROI、CTR预估模型需要充分考虑站点、广告、用户等维度的信息。广告的点击与转化主要与用户、广告、媒体(user,ad,publisher)这三个因素相关。我们的特征也主要从这三个方向去构建,并衍生出一些特征。特征选择用户特征用户浏览,购买的品类,用户画像,浏览器,操作系统等特征。广告特征广告deal的属性特征,如商家、品类、价格、创意类型等特征。广告deal的统计特征,如历史CTR、CVR、PV、UV、订单量、评分等。媒体特征网站类别,网站域名,广告位,尺寸等特征。匹配特征(主要是用户与广告维度的匹配)用户浏览、购买的品类与广告品类的match,
商家的match。用户浏览广告的不同时间粒度的频次特征,比如用户浏览当前广告的次数、用户上次点击广告距离当前的时间差。组合特征在LR+人工特征的实现过程中,需要人工构造一些组合特征,比如,网站+广告、用户消费水平+价格、广告主+广告品类等,对于FM和FFM能都自动进行特征的组合。环境特征广告的效果往往与用户所处的外部环境相关。比如
时段、工作日/节假日、移动端的经纬度等。特征处理最后再看我们具体如何构建模型。模型选择由于站外的站点数量巨大、广告位较多、广告的品类较多,造成训练样本的特征数较大,需要选择合适的模型来处理,这里我们选用了LR+人工特征的方式,确保训练的性能。特征降维点击率模型需要考虑用户维度的数据,由于美团的用户量巨大,如果直接用用户id作为特征会造成特征数急剧增大,而且one-hot
encoding后的样本会非常稀疏,从而影响模型的性能和效果。所以我们这里采用了用户的行为和画像数据来表征一个用户,从而降低用户维度的大小。负样本选择对于站外广告,有很多广告位比较靠近页面的下方,没有被用户看到,这样的广告作为负样本是不合理的。我们在负样本选择的时候需要考虑广告的位置信息,由于我们作为DSP无法获取广告是否真实被用户看到的信息。这里通过适当减少点击率较低的展位负样本数量,来减轻不合理的负样本的情况。对于二跳页广告,只取点击的位置之前的负样本,而未点击的则只取top20的广告作为负样本。负样本采样由于广告点击的正负样本分布极其不均,站外广告的点击率普遍较低,绝大多数样本是负样本,为了保证模型对正样本的召回,需要对负样本按照一定比例抽样。真实CTR校准由于负样本抽样后,会造成点击率偏高的假象,需要将预测值还原成真实的值。调整的公式如下:$$q=p(p+1−pw)(2)$$q:
调整后的实际点击率。 p: 负样本抽样下预估的点击率。 w:
负样本抽样的比例。二跳页CTR预估当用户点击了广告后,会跳转到广告中间页,因为站外流量转化非常不容易,所以对于吸引进来的流量,我们希望通过比较精细化的排序给用户投放尽可能感兴趣的广告。由于进入二跳页的流量大概比站外流量少两个数量级,我们可以使用比较复杂的模型,同时因为使用比较多的用户/广告特征,所以这里我们选择了效果比较好的FFM模型。特征和样本处理方面的流程基本类似CTR预估模块中的样本处理流程。差别在于广告在展示列表中的位置,对广告的点击概率和下单概率是有非常大影响的,排名越靠前的广告,越容易被点击和下单,这就是position
bias的含义。在抽取特征和训练模型的时候,就需要很好去除这种position
bias。我们在两个地方做这种处理:
在计算广告的历史CTR和历史CVR的时候,首先要计算出每个位置的历史平均点击率ctr_p,和历史平均下单率cvr_p,然后再计算i广告的每次点击和下单的时候,都根据这个item被展示的位置,计算为$ctr_0/ctr_p及cvr_0/ctr_p$。
*
在产生训练样本的时候,把展示位置作为特征放在样本里面,并且在使用模型的时候,把展示位置特征统一置为0。上文提到广告是根据v∗ctrt进行排序,并通过公式1进行报价。这里面的v就是点击价值(点击价值是指用户发生一次点击之后会带来的转化价值)。广告业务的根本在于提高展示广告的eCPM,eCPM的公式可以写为v∗ctr∗1000,准确的预估点击价值是为了准确预估当前流量对于每一个广告的eCPM。刘鹏在《计算广告》中提到,只要准确的估计出点击价值,通过点击价值计算和CTR计算得到的eCPM进行报价,就始终会有利润,这是因为AdExchange是按照广义第二出价进行收费的。在实际投放过程中,出价公式可以随着业务目标的不同进行适当的调整,比如我们的出价公式中包含了挤压因子t,和a,b两个参数。出价越高带回来的流量越大,可能带来质量参差不齐的流量,一般在一段时间之内会引起CTR的降低,这样会带来CPC点击成本的提高,所以ROI会降低。反之出价比较低的情况下,带来的流量越少,经过比较细致的流量过滤,CTR能长期保持在一个较高的水平,点击成本CPC比较低,ROI就会比较高。美团DSP在点击价值预估上经历了两个阶段:第一阶段是站外广告的落地页是广告的详情页面时,广告的点击价值预估比较简单,只需要预估出站外流量到达广告详情页之后的CVR即可。正负样本的选择也比较简单,采集转化样本为正样本,采集浏览未转化样本作为负样本。我们也进行了适当的负样本采样和真实CVR校准,这里采用的方法跟上一节类似,不再赘述。模型方面,在控制特征复杂度的基础上,我们选择了效果不错的二次模型FFM,复杂度和性能都能够满足线上的性能。特征方面,我们使用了站外实时特征+部分离线挖掘特征,由于FFM预测复杂度是(knn),k是隐向量长度,n是特征的个数,特征的选择上需要挑选贡献度比较大的特征。第二阶段,经过统计,详情页的用户流失率非常高,为了降低流失率,我们开发了广告二跳页,在二跳页里面,用户在站外点击的广告排在第一位,剩下的是根据我们的召回策略和排序策略决定的。根据公式1,点击价值是由二跳页的k个广告共同决定的。但是在站外广告排序和报价的过程中,我们无法获取中间页的召回结果,所以在实际情况中是无法适用的。目前我们的策略是直接对当前用户和当前商品的特征建立一个回归模型,使用用户在二跳页上成交的金额作为label进行训练,模型分别尝试了GBDT和FM,最终采用了效果稍好些的GBDT模型。离线评估业内常用的量化指标是AUC,就是ROC曲线下的面积。AUC数值越大,模型的分别能力越强。Facebook提出了NE(Normalized
Entropy)来衡量模型,NE越小,模型越好。$$NE=−1N∑ni=1(1+yi2log(pi)+1−yi2log(1−pi))−(p∗log(p)+(1−p)∗log(1−p))(3)$$N:训练的样本的数量。
yi:第i个样本的lable,点击为+1, 未点击为-1。
pi:第i个样本预估的点击率。
P:所有样本的实际点击率。离线我们主要使用的是AUC和NE的评估方法。在线AB测试通过在线ABtest,确保每次上线的效果都是正向的,多次迭代后,站外CTR提升30%,广告二跳页CTR提升13%,二跳页CVR提升10%。在线监控在线AUC监控在线预估的CTR和CVR,建立小时级流程,计算每个小时的在线AUC。发现AUC异常的情况,会报警,确保模型在线应用是正常的。在线预估均值监控在线预估的值会计算出平均值,确保均值在合理的范围之内。均值过高会导致报价偏高,获取流量的成本增加。均值过低,造成报价偏低,获取的流量就偏少,对于估值异常的情况能及时响应。本文介绍了美团DSP在站外投放过程中的策略实践。很多细节都是在业务摸索过程中摸索出来的。后续有些工作还可以更细致深入下去:流量筛选流量筛选目前还是比较粗暴的根据网站历史的CTR等直接进行过滤,后续会基于用户的站内外的行为,对流量进行精细化的筛选,提升有效流量,提高转换。动态调整报价在DSP的报价环节,点击率预估模型会对每一个流量预估出一个CTR,为了适应adx市场的需要,会加上指数和系数项进行调整。但是通过这种报价方式获取的流量,由于外部竞争环境的变化,流量天然在不同时段的差异,经常会出现CPC不稳定。该报价的系数对于所有的媒体都是一致的,而一般的优质媒体都是有底价的,且不同媒体的底价不一致,造成该报价方式无法适用所有的媒体,出现部分优质媒体无法获取足够的流量。我们的目标是在CPC一定的情况下,在优质媒体、优质时段尽可能多的获取流量,这里我们需要根据实时的反馈和期望稳定的CPC来动态调整线上的报价。从而在竞价环境、时段、媒体变化时,CPC保持稳定,进一步保证我们的收益最大化(同样的营销费用,获取的流量最多)。位置召回基于位置的召回策略中,我们对用户的商圈属性没有作区分,比较粗粒度的统一召回,这样其实容易把用户当前时间/位置真正有兴趣的商品拍的比较靠后;比较好的办法是通过精准的用户画像和用户消费时间/位置上下文挖掘,根据用户竞价时的位置和时间,分析出用户转化率高的商圈,从而进行更加精准的投放。在业务上,美团DSP会逐步接入市场上主流的AdExchange和自有媒体的流量。技术上,会持续探索机器学习、深度学习在DSP业务上的应用,从而提升美团DSP的效果。

图片截取自上海地铁一号线隧道广告
[1]当你每天穿行在地铁之中,不知道你有没有注意到这么一个现象。当列车逐渐加速行驶起来以后,在窗户外出现了不断变换的画面。不知道大家第一次见到的时候是怎么样一个心情,是不是一眼就看穿了这里面的秘密?反正小编第一眼看到的时候就觉得这是个黑科技
见识短让大家见笑了……然而事实上,这里面的原理,两百年前的物理学家就已经做出了原型。费纳奇镜Phenakistiscope费纳奇镜刚发明之初,人们需要转动两个圆盘来观察动画在
1832 年的冬天,比利时物理学家尤瑟夫·普拉托(Joseph Plateau)
和奥地利数学家西蒙·史坦弗(Simon Stampfer)几乎同时地发明了费纳奇镜
(Phenakistiscope)
[2]。在最开始,费纳奇镜中往往把图案画在圆盘上,然后将其转动起来。透过具有均匀条带的狭缝装置,我们就可以观察到动画的效果,这也是人们最早提出来的动画的效果,如今看起来就和一段几秒长的
GIF
动画相类似。尤瑟夫·普拉托在其论文中绘制的示意图,原图并不会动,小编给它加了点特效,让它动了起来
[3]这背后的原理也很简单。如果狭缝和图案转动频率相匹配,当人们透过一个狭缝位置,就可以依次看到后面每一帧的动画图样。利用视觉暂留,原本短暂的帧与帧之间的变化被人们通过「脑补」补上了。通过狭缝看到的动画实际上,人们意识到存在视觉暂留效应就在这之前没多久。1824
年,英国伦敦大学教授皮特·马克·罗葛特(Peter Mark Roget)
在他的研究报告《对通过垂直狭缝观察轮子辐条外观变化幻觉的解释》(Explanation
of an optical deception in the appearance of the spokes of a wheel when
seen through vertical apertures) 中最先提出人眼观察在这里面起到的作用
[4,5]。虽然这篇文章中的关于幻觉形成的论述在现在看起来显然已经不合时宜,不过并不妨碍它在电影史和动画史上的重要性。普拉托肖像画
[6]现在普遍认为,视觉暂留是由于被观察物体移去后,视神经对物体的印象不会立即消失,而是会持续一小段时间。普拉托在当时还是个学生,而费纳奇镜的发明很可能就受到这篇研究报告
[5]
的影响。不过普拉托后来因为沉迷视觉暂留现象的研究付出了惨痛的代价,他把太阳光聚焦到眼睛里长达
25s,为此彻底失去了自己的视力。接下来就给大家展示一些好看的费纳奇镜的图案吧~以上图片节选自
colossal [7] 以及日本冈山县立大学视频制作课程作品集
[8]回到最开始的费纳奇镜中,当狭缝和图案不相匹配时,人们看到的图像将会产生漂移。当然,在实际观察的过程中,旋转狭缝引起的图片的闪烁,变形等都会对观察的结果产生影响。我们现在看到,包括上面展示的,大多都是用电脑软件制作的。3D
动画
3DPhenakistiscope如今,费纳奇镜已远远不止于平面上,利用它,人们可以实现三维空间中的动画。原理依旧很相似,但是我们不再使用狭缝,而是使用频闪的灯来代替。其实这个原理我们早在生活中,或者电影里就见到过了。比如《惊天魔盗团》里面的控雨神技《惊天魔盗团》电影片段当第一次照亮雨时,你会看到一个雨滴,当灯关闭后第二次开启,这时刚好有另一滴雨在之前你看到的雨附近,你的大脑会错认为这滴雨就是刚才那滴,从而得出雨静止的错误结论。[9]
又比如平时看到的倒转的风扇。看起来倒着转的风扇,图片来自
Giphy接下来我们就来欣赏一些近乎以假乱真的 3D 动画。人浪 – Lego Figures
Doing the Wave [10]圣诞节 -クリスマスゾートロープ [11]鱼吃鱼 – Fish
Eating Fish [12]跳跃的青蛙 – Jumping Frogs
[13]实际上,还有很多公司利用这种形式的动画来作广告。Airbnb「别样巴黎」视频拍摄现场
[14]视频从哪来 Video On the Subway上世纪 80
年代衍生出来地铁广告的新玩法
[15]看了上面这么多动画,不知道你有没有想出来地铁上视频的原理?地铁中的灯柱现在利用投影和连续长屏幕的方式来进行视频投放的方式并不多见,主要原因还是在于成本。实际上在数百米长的隧道壁上连续安装几百条灯柱就能达到同样的效果。我们只需要在每个灯柱上设定好出现的图片的顺序,就能让画面连续地动起来,就和老式电视机中的显像管一样,一行一行或者一列一列地不断扫描形成人眼最终看到的动态的画面。利用
960 fps
高帧率录制下来的地铁运行时图案图片节选自知乎问题「上海地铁行驶中窗外的广告是如何实现的?」下
Kon Tiki 的回答 [16]不止于此 It’s Not
Enough上面所说的都是怎么呈现一个动态的画面。那反过来,怎么把一个动态的画面录制下来?两者其实都有异曲同工之妙,电影就是这么拍的。现在我们如果来挑战一件更有趣的事情,比如给光的传播录个像。来自
MIT 的 Ramesh Raskar
最终实现了这个任务,把光在可乐瓶中传播的整个过程给录了下来。[17]可口可乐公司并没有给赞助费实际上光速真的非常非常非常的快,一束光从一个可乐瓶的头走到可乐瓶的尾只需要零点几纳秒(1纳秒等于0.000000001秒)。而在这个过程中可以被外部观察到的光子数量屈指可数。既然一次看不清,那就重复几百万次。最终,我们就可以看到这样的一幅图像。皮一下
Have Fun图片来自 Giphy地铁里的那些广告,居然不是工作人员举着广告牌在跑!

Author

发表评论

电子邮件地址不会被公开。 必填项已用*标注

相关文章