A correção de cor é um processo de pós-produção comum à produção cinematográfica e à edição de vídeo que altera a aparência de uma imagem para apresentação em diferentes ambientes e em diferentes dispositivos. Envolve o aprimoramento de atributos como contraste, cor, saturação, detalhe, nível de preto e balanço de branco, seja para filmes, vídeos ou imagens estáticas. Os termos correção de cor e correção de cor são frequentemente usados como sinônimos, e o processo pode incluir a geração de efeitos de cor artísticos por meio da mistura criativa e composição de diferentes máscaras de camada da imagem de origem. Na prática moderna, a correção de cor é realizada digitalmente em um ambiente controlado, normalmente uma sala de correção de cor escura ou com pouca luz, e é uma das partes mais trabalhosas da edição de vídeo.
As origens da correção de cor estão no processo fotoquímico de filme conhecido como cronometragem de cor, que era realizado em um laboratório de filmes durante a impressão, variando a intensidade e a cor da luz usada para expor a imagem refotografada. Com esse processo sozinho, o usuário não podia visualizar imediatamente o resultado das alterações, então um analisador de cor Hazeltine era comumente usado para visualização em tempo real das modificações. Nos anos 2000, com o aumento da tecnologia digital, a correção de cor em filmes de Hollywood tornou-se mais comum, mudando de fluxos de trabalho fotoquímicos para digitais.
Cronometragem de Cor
A cronometragem de cor é o processo fotoquímico anterior usado na reprodução de elementos de filme. Originalmente, "correção de cor" era um termo de laboratório para alterar a aparência da cor na reprodução de filme ao passar para a cópia de resposta ou cópia de lançamento. No final dos anos 2010, essa técnica de correção de filme tornou-se conhecida como cronometragem de cor, envolvendo alterações na duração da exposição através de diferentes filtros durante o desenvolvimento do filme. A cronometragem de cor é especificada em pontos de impressora, que representam predefinições em uma impressora de contato de laboratório, onde 7 a 12 pontos de impressora equivalem a um ponto de luz. O número de pontos por ponto variava de acordo com o negativo ou o estoque de impressão e diferentes predefinições em laboratórios de filmes.
Em uma produção cinematográfica, a equipe criativa se reunia com o cronometrista do laboratório, que assistia a um filme em execução e fazia anotações com base nas direções da equipe. Após a sessão, o cronometrista retornava ao laboratório e colocava o negativo do filme em um dispositivo Hazeltine, que tinha filtros de pré-visualização com uma luz de fundo controlada, para escolher as configurações exatas de cada ponto de impressora para cada cena. Essas configurações eram perfuradas em uma fita de papel e alimentadas em uma impressora de alta velocidade, onde o negativo era exposto através de uma luz de fundo a um estoque de impressão. As configurações do filtro eram alteradas em tempo real para corresponder às luzes da impressora na fita de papel. Para trabalhos complexos, como tomadas de efeitos visuais, "cunhas" que percorriam combinações de filtros às vezes eram processadas para auxiliar na escolha da correção correta.
Telecine
Com o advento da televisão, as emissoras rapidamente perceberam as limitações das transmissões ao vivo e passaram a transmitir filmes de longa-metragem a partir de cópias de lançamento diretamente via telecine. Isso foi antes de 1956, quando a Ampex introduziu o primeiro gravador de videoteipe Quadruplex (VTR) VRX-1000. Programas de televisão ao vivo também podiam ser gravados em filme e exibidos em diferentes horários em diferentes fusos horários, filmando um monitor de vídeo. O coração desse sistema era o cinescópio, um dispositivo para gravar uma transmissão de televisão em filme.
O hardware inicial do telecine era a "cadeia de filmes" para transmissão a partir de filme, utilizando um projetor de filme conectado a uma câmera de vídeo. Como explicou Jay Holben na American Cinematographer Magazine, "o telecine não se tornou verdadeiramente uma ferramenta de pós-produção viável até que lhe fosse dada a capacidade de realizar correção de cor em um sinal de vídeo."
Como Funciona a Coloração por Telecine
Em um sistema de tubo de raios catódicos (CRT), um feixe de elétrons é projetado em um envelope revestido de fósforo, produzindo um pequeno ponto de luz. Esse feixe é varrido através de um quadro de filme da esquerda para a direita, capturando as informações verticais do quadro. A varredura horizontal é realizada à medida que o filme passa pelo feixe do CRT. Uma vez que o feixe de fótons atravessa o quadro do filme, ele encontra uma série de espelhos dicroicos que separam a imagem em seus componentes primários vermelho, verde e azul. Cada feixe individual é então refletido em um tubo fotomultiplicador (PMT), onde os fótons são convertidos em um sinal eletrônico para ser gravado em fita.
Em um telecine de dispositivo de carga acoplada (CCD), uma luz branca é projetada através da imagem de filme exposta em um prisma, que separa a imagem nas três cores primárias. Cada feixe de luz colorida é projetado em um CCD diferente, um para cada cor. O CCD converte luz em um sinal eletrônico, e a eletrônica do telecine modula esses sinais em um sinal de vídeo que pode então ser corrigido em cor.
A correção de cor inicial em sistemas de telecine CRT Rank Cintel MkIII era realizada variando as tensões de ganho primário em cada um dos três tubos fotomultiplicadores para variar a saída de vermelho, verde e azul. Avanços adicionais converteram grande parte do equipamento de processamento de cor de analógico para digital, e com o telecine de próxima geração, o Ursa, o processo de coloração tornou-se completamente digital no espaço de cor 4:2:2. O Ursa Gold trouxe a correção de cor no espaço de cor completo 4:4:4.
Os sistemas de controle de correção de cor começaram com o Rank Cintel TOPSY (Telecine Operations Programming SYstem) em 1978. Em 1984, a Da Vinci Systems introduziu seu primeiro corretor de cor, uma interface controlada por computador que manipulava as tensões de cor nos sistemas Rank Cintel MkIII. Desde então, a tecnologia melhorou para dar poder extraordinário ao colorista digital. Hoje, muitas empresas fabricam interfaces de controle de correção de cor, incluindo Da Vinci Systems e Pandora International. Alguns telecines ainda estavam em operação em 2018.
Correção e Aprimoramento de Cor
Algumas das principais funções artísticas da correção de cor (correção de cor digital) incluem:
- Reproduzir com precisão o que foi filmado
- Compensar variações no material (por exemplo, erros de filme, balanço de branco, condições de iluminação variáveis)
- Compensar o ambiente de visualização pretendido (arredores escuros, com pouca luz, brilhantes)
- Otimizar a aparência base para a inclusão de efeitos visuais especiais
- Estabelecer um 'visual' artístico desejado
- Aprimorar e/ou alterar o clima de uma cena, o equivalente visual ao acompanhamento musical de um filme (compare também com a coloração de filme)
Algumas dessas funções devem ser priorizadas em detrimento de outras; por exemplo, a correção de cor pode ser feita para garantir que as cores gravadas correspondam às da cena original, enquanto outras vezes o objetivo pode ser estabelecer um visual muito artificial e estilizado. Tradicionalmente, a correção de cor era feita para fins práticos, como no filme Marianne, onde a correção foi usada para que cenas noturnas pudessem ser filmadas durante o dia.
Correção de Cor na Geração de Imagens e Vídeos por IA
No contexto de Generative AI e Artificial intelligence na geração de imagens e vídeos, a correção de cor é invocada como um estilo visual ou técnica fotográfica/cinematográfica dentro de prompts. Os redatores de prompts usam palavras-chave específicas para guiar os modelos em direção a paletas de cores, níveis de contraste e climas particulares. Termos comuns incluem "teal and orange", "bleach bypass", "high contrast", "muted colors", "vintage film look", "cinematic color grading" e "color graded". Esses descritores ajudam redes neurais a produzir resultados que emulam a aparência de imagens corrigidas profissionalmente.
Modelos treinados em grandes conjuntos de dados de imagens e vídeos aprendem associações entre descrições textuais e características visuais, incluindo distribuições de cor. Por exemplo, um prompt como "uma cidade futurista com correção de cor neon" pode levar o modelo a gerar imagens com azuis e rosas saturados, enquanto "uma cena sombria com correção de cor dessaturada" pode produzir resultados suaves e de baixo contraste. A eficácia de tais prompts depende da compreensão do modelo de termos relacionados à cor, que é moldada pelos dados de treinamento e técnicas de alinhamento como RLHF.
Praticantes e Ferramentas Notáveis
Historicamente, a correção de cor era realizada por cronometristas de laboratório habilidosos e, mais tarde, por coloristas digitais usando hardware e software especializados. Na indústria cinematográfica, empresas como Da Vinci Systems e Pandora International desenvolveram interfaces de controle que se tornaram padrões da indústria. Ferramentas de software modernas, como DaVinci Resolve, Baselight e outras, são amplamente utilizadas na pós-produção profissional. No domínio da IA, pesquisadores e engenheiros em organizações como OpenAI, Google DeepMind e Anthropic desenvolveram modelos que podem aplicar estilos de correção de cor com base em prompts textuais, embora praticantes específicos sejam menos frequentemente nomeados.
Relação com Outros Conceitos
A correção de cor está intimamente relacionada a histogramas de cor, que representam a distribuição de cores em uma imagem e são frequentemente usados em modelos de IA para analisar ou ajustar a cor. Também se cruza com normalização de cor, uma técnica que padroniza a aparência da cor entre imagens, às vezes usada como uma etapa de pré-processamento em pipelines de Machine learning. Em modelos de Deep learning, a correção de cor pode ser vista como uma forma de transferência de estilo, onde o modelo aprende a aplicar um estilo visual particular ao conteúdo gerado.
O processo de correção de cor na geração por IA é análogo à pós-produção tradicional, mas é realizado implicitamente pelo modelo, em vez de por controle explícito do usuário. Os redatores de prompts atuam como coloristas virtuais, usando a linguagem para direcionar a saída do modelo em direção a estéticas desejadas. Isso levou a um novo vocabulário de termos relacionados à cor na engenharia de prompts, que é uma habilidade-chave em escrita de prompts para modelos generativos.
Desafios e Considerações
Um desafio na correção de cor por IA é alcançar consistência entre vários quadros na geração de vídeo. Enquanto imagens estáticas podem ser corrigidas individualmente, o vídeo requer coerência temporal para evitar cintilação ou mudanças abruptas. Modelos como os desenvolvidos por Google DeepMind e outros laboratórios frequentemente usam técnicas de suavização temporal, mas isso permanece uma área ativa de pesquisa. Além disso, a interpretação de termos de correção de cor pode variar entre modelos, levando a resultados inconsistentes. Os redatores de prompts frequentemente precisam experimentar com diferentes frases e parâmetros para alcançar o visual desejado.
Outra consideração são as implicações éticas e estéticas da correção de cor em mídia gerada por IA. Como na correção de cor tradicional, as escolhas feitas podem afetar significativamente o clima e o significado de uma imagem, e os modelos de IA podem inadvertidamente perpetuar vieses presentes nos dados de treinamento. Compreender os aspectos técnicos e artísticos da correção de cor é, portanto, importante tanto para criadores quanto para consumidores de conteúdo gerado por IA.
Direções Futuras
À medida que os modelos de IA continuam a melhorar, a capacidade de controlar a correção de cor por meio de linguagem natural provavelmente se tornará mais precisa. Avanços em arquiteturas de transformadores e mecanismos de atenção podem permitir que os modelos compreendam melhor descrições de cor matizadas. A integração com ferramentas tradicionais de correção de cor também pode permitir fluxos de trabalho híbridos, onde a IA gera correções iniciais que coloristas humanos refinam. O desenvolvimento contínuo de grandes modelos de linguagem e seu alinhamento com dados visuais moldará como a correção de cor é invocada em prompts de IA, tornando-a uma ferramenta cada vez mais poderosa para a narrativa visual.