Facebook：把握好三維世界，才能把握好AR/VR的未來

hi188｜ 編輯

近期正在韓國首爾國際計算機視覺大會（ICCV）上，一大波的AI研究繼而公布，Facebook計劃發表40多篇論文，其中我們關注到2D照片下三維場景重建與內容理解，等等3D圖像分析的研究。

這些有什麼作用呢，我們知道隨著5G技術和千兆寬帶的普及，屆時的互聯網媒介形式勢必也會迎來改變，其中以AR/VR體驗的三維形態的媒體內容被看作重點方向。

隨著場景形態逐漸向三維轉變，屆時將會迎來一個高度逼真的虛擬世界，而三維內容的理解也將變得更為重要。例如現在的AI技術可以很好的識別2D照片/視頻中的物體、動作等等，而到了三維場景中又會迎來新的玩法。

Facebook AI研究院今天發布的一篇博客中，著重提到了其在3D內容理解上的努力。

文章中提到，想要了解周圍的世界的前提是，AI必須能夠理解三維視覺場景，這種需求不僅僅體現在機器人、導航、AR/VR等方面，甚至在2D照片/視頻中也得能夠正確識別出其中的一個杯子的三維形狀等等。

以下的幾項研究，正在以不同但互補的方式來推進三維場景解析技術的發展。

• Mesh R-CNN，一種可以精準預測現實環境中2D圖像中物體的3D形狀的框架，其可以檢測複雜的對象，比如椅子腿兒、被遮擋的家具等；

• C3DPO，一種在2D關鍵點註釋中，提取出可變性對象的3D模型的方法，已用於14個類別的對象，通過2D關鍵點標註做到，無3D標註信息；

• 通過新方法學習圖像像素與3D形狀之間的關聯，大大降低對註釋訓練的依賴，從而更接近可以做到更多種類對象3D重建的自我監督系統；

• VoteNet技術，可在LiDAR或其它3D傳感器輸入可用時，進行對象檢測，該系統完全基於3D點雲技術，精度更高。

如何更好的解析出3D形狀

包括Mask R-CNN在內的很多圖像解析AI框架，往往是在2D環境中進行工作，在3D環境下可能並不適用。不過，憑借2D環境中的感知技術作為積累，Facebook重新設計了一個3D對象重建的AI模型。

該模型的特點是可在現實的場景圖片中去預測3D對象的形狀，而這其中的挑戰在於光學部分，例如：是否有遮擋，是否有雜波以及其它拓撲的對象。

為了應對挑戰，首先通過網格預測分支加強Mask R-CNN在2D對象分割系統，並構建Totch3d（Pytorch庫）從而做到：Mesh R-CNN，其通過Mask R-CNN進行對象的檢測和分類。然後通過新型網路預測模型推測3D形狀，該預測包含體素預測和網格細化共同構成。

最後通過Detectron2完成整套框架的結構，即：輸入RGB圖像–檢測物體–預測3D形狀的過程。

據悉，Facebook的新型方法支持成對圖像和網格的完全監督學習預測3D形狀，為了進行訓練，Facebook還是用10000對圖像和網格組成的Pix3D數據集，這個數據集比其它訓練數據集（通常10萬個圖像、需進行標註）要小很多。

最終在兩個數據集上進行Mesh R-CNN的評估，效果比較理想。在Pix3D數據集上，能夠檢測所有類別對象，並能預測出被遮擋的家具的完整形狀；而在ShapNet數據集上，體素預測和網格細化的混合法比以前要好7%。

準確預測、並重建現實世界中無約束的場景形狀，無疑是增強未來AR\VR等其它類似體驗的重要工作。聯想到Facebook在今年OC6公布的共享空間和3D重建體驗，以及未來面向AR和機器視覺等眾多體驗的合集LiveMap，這些都是技術的基礎。

盡管如此，和2D圖像相比，3D圖像在收集註釋數據的工作上要複雜得多，且更為耗時，這也是3D形狀預測數據集比2D對應數據集進展要落後的原因，而接下來Facebook也在探索更多不同的方法，利用監督學習和自我監督學習來重建3D對象。

使用2D關鍵點重建3D對象類別

對於那些無法使用網格和圖像訓練、且無需完全重建靜態對象/場景的案例，Facebook開發了一種新的代替方案：C3DPO，其通過大量豐富的2D關鍵節點數據，進行監督學習做到更好的重建結果。而C3DPO以弱監督的方式解析出3D幾何形狀，且被證明適合大規模部署。

其中特定部分（例如人體關鍵、鳥翅膀）的2D關鍵點，成為了該方法中重新構建對象幾何形狀、變形或視點變化的線索。這些3D關鍵點利用價值也很高，例如在VR中創建逼真的臉部和全身網格模型時。

簡單來講，C3DPO是一種能重建包括數十萬具有上千個2D關鍵點的數據集方法，並且針對三種不同的數據集、14種以上的非剛性物體類別，進行精度重建。另外，和Mesh R-CNN類似，C3DPO同樣支持那些有遮擋或部分缺失圖像。

而C3DPO模型還具備兩個創新，一是，在給定一組單眼2D關鍵點的情況下，C3DPO將以標準方向預測相機視點的參數和3D關鍵點位置；二是，Facebook提出一個新的正則化技術，其包括與3D重建網路模型共同學習的第二個輔助深度模型，它解決了因分解3D視點和形狀帶來的衝突。正是基於這兩項創新，才是C3DPO的方法比傳統的數據統計模型表現更好。

根據Facebook描述，這種3D模型構建在以前是無法做到的，主要由於此前基於矩陣式分解的方法有很多限制，與C3DPO採用的深度網路模型不同，其能夠「小規模」運行。為了解決3D重建帶來的變形問題，此前往往通過同一時間多張圖像合成解決，這對硬件要求更高，而C3DPO則可以在硬件無法進行3D拍攝（例如飛機等體型特別大的物體）的情況下做到3D重建。

另外還有從圖像集學習圖形像素與形狀的映射關係，以及提升3D系統中對象檢測能力的兩個論文本文不再解讀，感興趣可閱讀原文了解。

總而言之，3D計算機視覺領域還有很多值得探究的領域，還有很多問題尚未被解決，還需要像此前進行2D計算機視覺探索那樣繼續前行。隨著數字世界的不斷推進，我們將會轉向使用3D照片、AR、VR等技術，因此未來需要更準確的理解場景中對象、交互動作等一系列複雜的問題。Facebook表示：能夠開發出向人類一樣理解現實世界，並與之互動的AI系統是其長期目標。誠然，這就需要不斷縮小物理空間和數字化的虛擬空間之間的隔閡與距離，而在3D視覺方面就還有很多工作需要大家共同努力。

隨著數字世界的不斷推進，我們將會轉向使用3D照片、AR、VR等技術，因此未來需要更準確的理解場景中對象、交互動作等一系列複雜的問題。

Facebook表示：能夠開發出向人類一樣理解現實世界，並與之互動的AI系統是其長期目標。誠然，這就需要不斷縮小物理空間和數字化的虛擬空間之間的隔閡與距離，而在3D視覺方面就還有很多工作需要大家共同努力。

參考：

https://ai.facebook.com/blog/pushing-state-of-the-art-in-3d-content-understanding/

（END）

推薦閱讀

每天五分鐘，輕鬆了解前沿科技。——青亭網