前言

快看作为国内第一漫画平台，除了连载作品量大，同时也涵盖了多种形态的漫画作品，展示形态不一，如页漫和条漫、黑白漫和彩漫，为了使各种类型漫画读者都能获得良好的阅读体验，减少漫画阅读中的疲劳感，我们结合了深度学习技术，做了一些大胆的探索。

探索一：页漫转条漫

页漫和条漫的不同

提起页漫和条漫，对于很多对漫画不了解的读者来说，可能会比较陌生，为了使读者更好的理解本文的后续内容，我们简单介绍下两种漫画形式的不同。

传播媒介的不同

• 页漫更多的是伴随着 PC 及印刷物而发展起来的
• 条漫则是伴随移动互联网的发展，适配移动端小屏幕设备而发展起来的

单排分镜数的不同

• 页漫一排通常会有多个分镜。另外，在印刷物上，为了渲染气氛或展示更宏大的画面，可能一个画面会跨越两个页码
• 条漫一排通常只有一个分镜（也可能包含两个小的分镜，但通常信息密度较小或非重要内容分镜）

左侧为条漫，右侧为页漫

阅读顺序的不同

• 国内页漫一般是从左到右，从上到下的顺序进行阅读，而日式页漫则是从右向左，从上到下的顺序
• 条漫主要是从上到下的阅读顺序

分镜界限的不同

• 页漫每个分镜内容比较完整，容易划分
• 条漫因为通常一排只有一个分镜，很多时候内容边界并不清晰，会有大面积的过渡画面，为了引导用户或渲染某种氛围。

以上只是从大部分作品中总结的一些基本规律，由于创作者可以自由发挥，不排除个别页漫或条漫不能用以上讨论的标准进行区分，我们主要讨论一些比较常见的情景。

受限于手机设备的屏幕大小，在手机端，通常是条漫阅读体验会更好。

那么，我们的目标就是：有没有一种技术方案，可以把页漫转换为条漫呢？

第一个想法当然是直接对漫画原稿（PSD 文件）处理，但可惜的是，绝大部分页漫发表年限已久，是没有 PSD 原稿的，部分作品图片稿件，还是扫描生成的图片。受限于现实因素，我们考虑使用第二种方案，直接对图片内容进行识别后重新排版。

鉴于此，为了使重新排版后的内容更加准确，我们识别了漫画内的多种主体：

• 文本
• 对话气泡
• 分镜

整个项目的主要流程及用到的模型：

跨页图片合并

在上文中介绍页漫分镜时提到，部分宏大场景在印刷体上会跨越两个页码，但提供给平台的图片稿件中，会被分成两张图片，需要提前识别出这种情况，并进行合并处理，我们针对这种情况训练了 MobileNetv2 模型，模型识别并合并后的效果如下图所示，还原了原始分镜。

内容识别

正确识别漫画各结构，是保证整个项目成功的关键，针对不同结构的模型训练，我们搜集和标注了大量数据。

• 文本检测模型：CRAFT
• 气泡识别模型：Yolo v5
• 分镜（实例）分割模型：Mask-RCNN

合并分镜

对识别出的重叠的分镜、内嵌的分镜、连通的分镜进行整合，确保不会破坏原内容

重新排版

日漫阅读方式是从上到下，从右到左，而国漫的阅读方式是从上到下，从左到右，所以排版任务需要提前告知漫画是日漫或是国漫

针对跨页漫画的情况，还需要判断合并后排版方式，我们专门训练了一个模型 ResNet18 来进行识别

图像增强

因为涉及对内容的重组和生成，会影响到图片质量，在传统页漫图片本身质量不高的情况下，做一次图像增强是非常有必要的，我们选用的是开源 waifu2x 模型实现对图像的增强

在实际技术落地的过程中，我们遇到的问题比想象中的复杂很多，为了不破坏内容的完整性以及连贯性，在分镜有重叠及联通区域时，我们保留了原始分镜布局，避免拆开分镜导致的文字缺失等问题。

实际在客户端落地效果如下：

探索二：自动阅读

首先我们先来聊一下关于阅读成本这个话题，这里需要明确下概念，我们这里提到的“阅读”，更广义的来讲，是包含“观看”的，所以下文的阅读，我们取阅读+观看的意义。

互联网内容的展现形式，主要包括三种类型，即文字，图片，视频。下面让我们来探讨下阅读不同内容时的区别：

文字阅读，通常信息密度最大，理解成本最高，所需时间最长，所以产生的翻页动作会相对较少。

图文阅读，因为有了画面，理解成本会较低，信息密度适中，但需不断产生翻页滑动的动作，翻页较多

视频观看，动态画面，声音+画面+字幕，多种维度信息融合，用户理解成本最低，播放后无需进行任何操作

对比了以上三种阅读方式，我们可以看到，视频的优势是明显的，信息维度丰富，也无需用户任何操作。另外，当前手机都越来越大，也比较重，用户长时间滑动观看漫画时，手部会比较累。

我们思考的方向是，是否可以让用户无需任何操作，完全模拟人的阅读方式，让画面自己动起来呢？

于是我们调研了已有的一些自动阅读方案，主要有两种形式：

1. 匀速滚动屏幕
2. 滚动固定距离后停顿

第一种方式，阅读体验非常差，因为视觉焦点无法固定，时间稍长后会产生视觉疲劳及眩晕感

第二种方式，虽然体验会好一些，但比较生硬，无法对理解画面内容，经常会发生停留画面被分割的情况。

基于以上调研和思考，为了获得近似于人阅读习惯的无感阅读体验，我们确定了以下目标：

• 智能计算停留画面
• 智能计算停留时间

以上目标，也既是说：每次滑动距离不定，每个画面停留时间不定。

智能计算停留画面

为了达到这个目的，我们对漫画内容进行了识别，主要识别了漫画格子、气泡文字、动漫人脸等要素。

条漫的分镜识别，是一个重要难点，实际情况非常复杂，梳理场景、标注数据、模型训练，都花费比较大的精力，在此不进行展开。

文字识别

动漫人脸识别

识别出多种要素后，还会对各要素进行合并工作，使画面更完整，不至于产生多个过小的画面。

1. 像素高度上有交集的分镜，进行合并
2. 文本和分镜的合并，这里面分成三种情况

• 文本在分镜内，这种情况比较简单，视觉单元为分镜边缘
• 文本部分在分镜内，部分在分镜外，视觉单元边界取文本和分镜上下最大值
• 文本游离于分镜外，处理逻辑比较复杂

最终服务端返回的数据结构如下：

客户端在拿到服务端返回数据后，会根据实际用户设备屏幕大小，重新适配计算后端返回的视觉单元数据，对于较大的分镜，会进行拆分。对于较小的分镜，会进行再次合并。

智能计算停留时间

合适的画面停留时间，符合人直觉的停留时间，不让用户产生突兀感，是这项工作成功与否的关键。我们用信息密度来确定当前画面停留时间，信息密度越大，阅读成本越高，需要停留的时间越长。关于信息密度，主要涉及以下因子：

文字个数

除了识别文字区域，我们也能识别出文字格数，文字个数越多，代表信息越多，需要停留的时间越长，通常人的阅读速度为 5-8 字/秒。

文字权重

针对不同的文本内容，会设置不同的文本权重，默认文字权重为 1.0，而部分文字对于读者来说，是可以忽略，或快速略过的，比如漫画扉页中的作者、责编等信息，就像我们电影院看电影，我们也不会仔细看演职人员表一样。

文字大小

文字大小，也是影响阅读速度的一个重要因素，同样的文字个数，文字小，就会难以阅读，需要的时间也就会更多。我们统计并分析了部分漫画文字的大小分布情况，同时设计了文字大小的权重公式

弹幕数

某个画面内的弹幕数多少与否，通常能反映出当前画面的精彩程度，弹幕数越多，相应的也可以增加画面停留时间，让用户多欣赏一些时间

基础停留时间

即使某个画面无文字及弹幕，也会赋予画面基础停留时间

综合以上因子，图像算法团队和客户端团队，设计了智能画面停留时间公式，每个画面都有自己实时计算的停留时间。当然，每个用户阅读速度不同，在产品落地上，也允许用户调整到适合自己的阅读速度，提供了多挡可调选项。

探索三：漫画视频化

在漫画自动阅读的探索中，虽然基本实现了模拟人的阅读习惯，画面能够自己动起来，但和看视频的体验，差别还是较大的。自动阅读的顺序，还是自上向下的阅读方式，而视频，则是画面持续连贯的，同时还有声音、背景音乐等多种表现形式，虽然漫画限于图片的形态，无法做到视频的帧率，那是否可以以切入画面的形式，同时辅以背景音乐来实现“类视频”的阅读效果呢？或者更进一步，识别出内容的文本后，是否可以用 AI 来进行配音呢？我们正在持续的探索，Demo 也已初见雏形，期待未来的某一天和各位读者见面。