蕭簫 發自 凹非寺量子位 報導 | 公眾號 QbitAI
只給你幾張物體的照片，你能準確還原出它在各種刁鑽視角下的模樣嗎？
現在，AI可能比你還原得還要準確。
只給幾個3D球的正臉照片：
AI立刻就能將不同視角的球形照片還原出來，大小顏色都接近真實的照片。
稍微複雜一點的結構，如這堆椅子：
AI在經過思考後，也能立即給出椅子在另一視角下的照片，結構大小與真實場景相比，幾乎沒有跑偏。
這還是在完全沒有給出物體深度、邊界框的情況下，AI模型純粹靠自己預測出來的3D效果。
那麼，這樣的模型到底是怎麼做出來的呢？
給模型安排一個「批評家」
這是一個由CNN和MLP（多層感知器）組成的模型，其目的在於通過一組2D圖片（不帶任何標籤），從中還原出物體的3D關係來。
相比於單個3D物體，這個模型能夠在整個場景上進行3D訓練，並將它還原出來。
例如，根據下圖的幾張兔子照片，還原出3D兔子模型在俯視角度下拍攝的照片。
但從2D照片中還原出物體的3D關係，並不如看起來這麼簡單。
在還原過程中，模型不僅要準確推斷每個3D物體的位置、深度、大小，還要能還原出它的光照顏色。
通常訓練神經網絡的第一想法是，將這幾個變量直接設為參數，並採用梯度下降算法對模型進行收斂。
但這樣效果會很差，因為模型在想辦法「偷懶」。
將損失降低到一定程度後，它就不再尋找更好的解決方案。
例如，下圖真實目標（藍色）與當前目標（紅色）有差異，然而在進行梯度下降時，嘗試移動一定距離，誤差沒有降低；但在改變大小時，誤差卻降低了，就對網絡模型形成了誤導。
對此，研究者利用強化學習中的好奇心驅動，額外給模型加了一個「批評家」（critic）網絡，它會利用數據分布中隨機提取的有效樣本，來褒貶模型的結果。
這樣，模型作為「表演者」（actor），為了獲得更好的評價，就會再試圖去尋找更好的方法，以生成更優的結果。
如下圖所示，左邊是沒有利用好奇心驅動的模型，右邊則是加入了好奇心驅動。在「批評家」的驅使下，模型逐漸推導出了正確的參數。
這一「批評家」網絡，迫使模型在優化過程中，不能只依賴於同一種（錯誤的）答案，而是必須在已有數據下尋找更好的解決方案。
事實證明，加了「批評家」網絡的模型，不僅收斂下降到了一個新的高度（如上圖藍色線條），而且評論家最終給出的評分也不錯。
那麼，相比於其他3D關係生成模型，這一結構的優勢在哪裡呢？
無需任何外部標記，2D還原3D關係
作者與其他模型進行了詳細對比，這些模型涵蓋不同的3D還原方法，包括深度圖、CNN、立體像素、網格等。
在監督學習所用到的參數上，可用的包括深度、關鍵點、邊界框、多視圖4類；而在測試部分，則包括2D轉3D、語義和場景3種方式。
可以看見，絕大多數網絡都沒辦法同時實現2D轉3D、在還原場景的同時還能包含清晰的語義。
即使有兩個網絡也實現了3種方法，他們也採用了深度和邊界框兩種參數進行監督，而非完全通過自監督進行模型學習。
這一方法，讓模型在不同的數據集上都取得了不錯的效果。
無論是椅子、球體數據集，還是字母、光影數據集上，模型訓練後生成的各視角照片都挺能打。
甚至自監督的方式，還比加入5%監督（Super5）和10%監督（Super10）的效果都要更好，誤差基本更低。
而在真實場景上，模型也能還原出照片中的3D物體形狀。
例如給出一隻兔子的照片，在進行自監督訓練後，相比於真實照片，模型基本還原出了兔子的形狀和顏色。
不僅單個物體，場景中的多個3D物體也都能同時被還原出來。
當然，這也離不開「好奇心驅動」這種方法的幫助。
事實上，僅僅是增加「好奇心驅動」這一部分，就能降低不少參數錯誤率，原模型（NonCur）與加入好奇心驅動的模型（Our）在不同數據集上相比，錯誤率平均要高出10%以上。
不需要任何外部標記，這一模型利用幾張照片，就能生成3D關係、還原場景。
作者介紹
3位作者都來自倫敦大學學院。
一作David Griffiths，目前在UCL讀博，研究著眼於開發深度學習模型以了解3D場景，興趣方向是計算機視覺、機器學習和攝影測量，以及這幾個學科的交叉點。
Jan Boehm，UCL副教授，主要研究方向是攝影測量、圖像理解和機器人技術。
Tobias Ritschel，UCL計算機圖形學教授，研究方向主要是圖像感知、非物理圖形學、數據驅動圖形學，以及交互式全局光照明算法。
有了這篇論文，設計師出門拍照的話，還能順便完成3D作業？