2026 年 9 月 28 日
传统观念认为，摄像机的功能在于复现人眼所见的景象。然而，这一假设正面临挑战。千叶大学信息科学研究院副教授 Hiroyuki Kubo（久保博之）指出：“如果我们改变获取数据的方式，人工智能 (AI) 的潜力将大大扩大。”
Kubo 的研究致力于开发可视化通常不可见事物的方法，例如皮下血管或雾中车辆。此外，他还探索了利用 AI 辅助动漫制作的新路径，旨在提升行业生产效率。
重构成像逻辑：从表面到内部
Kubo 专注于图像和信息处理领域。与多数侧重分析已捕获数据的研究不同，他通过重新设计摄像机、照明及镜头设置，提取人眼无法感知或传统成像方法难以获得的视觉信息。他认为，这种新型图像数据能显著提升 AI 性能。
以区分玻璃中的白色液体为例，标准照片仅记录物体表面反射的光线，提供的材料组成或内部结构信息有限。因此，即使经过训练，AI 系统也往往难以可靠地区分牛奶和液体肥料等外观相似但性质不同的物质。
为解决这一问题，Kubo 修改了成像过程本身。通过选择性捕捉穿透液体并返回相机的光线，可以揭示物体内部的差异。由于牛奶和液体肥料在光线传播和散射方式上存在区别，基于此类内部特性数据训练的 AI 系统，有望准确识别出人眼看来完全相同的材料。
应用案例：无辐射血管成像与水流可视化
皮下血管可视化是该技术的一个代表性应用。皮肤表面反射的光线通常过强，掩盖了下方的血管细节。通过精确控制投影仪和摄像机，并在照明位置与成像位置之间引入轻微的空间偏移，系统可以选择性地捕捉穿过组织并与底层血管相互作用的光。这种方法实现了实时血管可视化，且无需让患者暴露于辐射之下。
鉴于该系统紧凑且成本相对较低，其应用场景不仅限于临床环境，还延伸至家庭医疗保健和灾难应对领域。同时，利用此类图像训练 AI，可能有助于静脉病变等血管疾病的诊断支持。
另一个合作案例涉及一家使用 AI 研究水流可视化的公司。传统照片无法判断水是否流动及其方向。Kubo 团队将极细的纤维素纳米纤维分散在水中。当水静止时，纤维方向随机，导致光波振动方向（偏振）各异；而当水定向流动时，纤维随之对齐，产生特征性的偏振模式。通过捕捉这种偏振变化，即可想象出水流的模式。结合 AI 分析，该技术可应用于桥梁等基础设施的高效维护、船舶燃油效率优化及游泳技术分析。
人机协作重塑动漫上色流程
除物理成像外，Kubo 自 2018 年起便与动漫制作公司合作，利用 AI 提高制作效率。动漫制作中，彩色线图环节耗时耗力。初期尝试通过成千上万张线条图及其彩色版本训练 AI 以实现自动上色，但发现达到 100% 准确性极其困难。在动漫制作中，即便 1% 的色彩错误也可能被视为关键缺陷。
经过多次迭代，Kubo 开发了一种 AI 与人类艺术家协作的上色系统。在该流程中，AI 首先提出几种候选颜色方案，随后由人类艺术家进行选择。这种方式在显著减少工作量的同时，保持了高水平的色彩准确性，构建了互补的工作流。
Kubo 认为，这种协作模式代表了下一代人机关系的潜在形态。自 2024 年 12 月起，他还参与了由日本经济产业省和新能源产业技术综合开发机构 (NEDO) 实施的“生成式 AI 加速器挑战：GENIAC”项目，旨在进一步加速研究并支持日本动漫产业的未来。
跨界背景与研究哲学
Kubo 的学术路径始于对宇宙学和基本粒子物理学的兴趣，后转向解决更贴近日常生活的问题。大三时，他在面部图像分析教授的实验室中发现了图像信息处理的魅力，并最终获得计算机图形学博士学位。随后，他在相机制造商的工作经历使其接触到摄影背后的硬件技术专长，而在奈拉科技学院和美国卡内基梅隆大学的经历则让他看到了软硬件结合研究的潜力。
目前，大多数图像信息处理研究人员主要聚焦软件，仅有不到 10% 的人像 Kubo 一样深入硬件领域。物理学背景使他更容易转向涉及光学的硬件研究。
在选择研究主题时，Kubo 倾向于关注较少被注意或解决的问题。他指出，若仅在现有框架内竞争速度，很难产生真正新颖的观点。选择冷门问题允许研究者自由制定规则，创造性地解决问题。他鼓励年轻学者积极参与社区互动，并练习用通俗语言解释复杂研究，因为清晰沟通能力在职业生涯中至关重要。
