0
隨著科技的發(fā)展，現(xiàn)在人們可以隨時隨地用手機(jī)等設(shè)備拍照記錄自己喜歡的瞬間。可能不少人都想過，假如出現(xiàn)一種黑科技，讓我們拍攝的平面 2D 照片變成立體的 3D 照片......
Facebook 也早就想到了這個問題。為改善用戶體驗，2018 年，F(xiàn)acebook 就推出了 3D 照片功能。這是一種全新的沉浸式格式，你可以用它與朋友、家人分享照片。但是，這項功能依賴于高端智能手機(jī)才具備的雙鏡頭「肖像模式」功能，無法在尋常的移動設(shè)備上使用。
為了讓更多人體驗到這種新的視覺格式，F(xiàn)acebook 利用機(jī)器學(xué)習(xí)開發(fā)了一個系統(tǒng)。這個系統(tǒng)可以推斷出任何圖像的 3D 結(jié)構(gòu)，任何設(shè)備、任何時間拍攝的圖像都可以被轉(zhuǎn)換成 3D 形式。這就可以讓人們輕松使用 3D 照片技術(shù)。
不僅如此，它還可以處理幾十年前的家庭照片和其它珍貴圖像。任何擁有 iPhone7 及以上版本，或中端以上 Android 設(shè)備的人，現(xiàn)在都可以在 Facebook 應(yīng)用程序中嘗試這個功能。
估計 2D 圖像不同區(qū)域的深度，以創(chuàng)建 3D 圖像
構(gòu)建這種增強(qiáng)的 3D 圖片需要克服不少技術(shù)挑戰(zhàn)，例如，要訓(xùn)練一個能夠正確推斷各種主題 3D 位置的模型，并優(yōu)化系統(tǒng)，使其能夠在 1 秒鐘內(nèi)運行在典型的移動處理器設(shè)備上。為了克服這些挑戰(zhàn)，F(xiàn)acebook 在數(shù)百萬公共 3D 圖像及其附帶的深度圖上訓(xùn)練了卷積神經(jīng)網(wǎng)絡(luò)（CNN），并利用 Facebook AI 之前開發(fā)的各種移動優(yōu)化技術(shù)，如 FBNet 和 ChamNet。團(tuán)隊最近也討論了 3D 理解的相關(guān)研究。
現(xiàn)在，所有使用 Facebook 的人都可以使用這個功能，那么，它究竟是如何構(gòu)建的？我們可以一起來看看其中的技術(shù)細(xì)節(jié)。
小狗的原始照片是用單鏡頭相機(jī)拍攝的，沒有任何深度圖數(shù)據(jù)，系統(tǒng)將其轉(zhuǎn)換成了上圖顯示的 3D 圖像
在移動設(shè)備上提供高效性能
給定一個標(biāo)準(zhǔn)的 RGB 圖像，3D Photos CNN（3D 照片卷積神經(jīng)網(wǎng)絡(luò)）可以估計每個像素與攝像機(jī)的距離。研究人員通過四種方式實現(xiàn)了這一目標(biāo)：
使用一組可參數(shù)化、可移動優(yōu)化的神經(jīng)構(gòu)建塊構(gòu)建網(wǎng)絡(luò)架構(gòu)；
自動化架構(gòu)搜索，以找到這些塊的有效配置，使系統(tǒng)能夠在不到 1 秒鐘的時間內(nèi)在各種設(shè)備上執(zhí)行任務(wù)；
量化感知訓(xùn)練，在移動設(shè)備上利用高性能 INT8 量化，同時使量化過程中的性能下降最小化；
從公開的 3D 照片獲取大量的訓(xùn)練數(shù)據(jù)。
神經(jīng)構(gòu)建塊
Facebook 的架構(gòu)使用受 FBNet 的構(gòu)建塊啟發(fā)。FBNet 是一個為移動設(shè)備等資源受限的設(shè)備優(yōu)化 ConvNet 架構(gòu)的框架。一個構(gòu)建塊由逐點卷積（pointwise convolution）、可選的上采樣、kxk 深度卷積和附加的點逐點卷積組成。Facebook 實現(xiàn)了一個 U-net 風(fēng)格的架構(gòu)，該架構(gòu)已被修改為沿著跳過連接放置 FBNet 構(gòu)建塊。U-net 編碼器和解碼器各包含 5 個階段，每個階段對應(yīng)不同的空間分辨率。
網(wǎng)絡(luò)架構(gòu)概述：一個 U-net 沿著跳過的連接放置額外的宏級構(gòu)建塊
自動化架構(gòu)搜索
為了找到一個有效的架構(gòu)配置，F(xiàn)acebook AI 開發(fā)的 ChamNet 算法自動完成搜索過程。ChamNet 算法不斷從搜索空間中抽取點來訓(xùn)練精度預(yù)測器。該精度預(yù)測器用于加速遺傳搜索，以找到在滿足特定資源約束的情況下，使預(yù)測精度最大化的模型。
這個設(shè)置中使用了一個搜索空間，它可以改變通道擴(kuò)展因子和每個塊的輸出通道數(shù)，從而產(chǎn)生 3.4x1022 種可能的體系結(jié)構(gòu)。然后，F(xiàn)acebook 使用 800 Tesla V100 GPU 在大約三天內(nèi)完成搜索，設(shè)置并調(diào)整模型架構(gòu)上的 FLOP 約束，以實現(xiàn)不同的操作點。
量化感知訓(xùn)練
默認(rèn)情況下，其模型使用單精度浮點權(quán)值和激活進(jìn)行訓(xùn)練，但研究人員發(fā)現(xiàn)，將權(quán)值和激活量化為 8 位具有顯著的優(yōu)勢。尤其是，int8 權(quán)重只需要 float32 權(quán)重所需存儲量的四分之一，從而減少首次使用時必須傳輸?shù)皆O(shè)備的字節(jié)數(shù)。
每幅圖像都是從一個規(guī)則的 2D 圖像開始，然后用深度估計神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成 3D 圖像
與基于 float32 的運算符相比，基于 Int8 的運算符的吞吐量也要高得多，這要歸功于 Facebook AI 的 QNNPACK 等經(jīng)過優(yōu)化的庫，后者已經(jīng)集成到 PyTorch 中。我們使用量化感知訓(xùn)練（QAT）來避免量化導(dǎo)致的質(zhì)量下降。QAT 現(xiàn)在是 PyTorch 的一部分，它在訓(xùn)練期間模擬量化并支持反向傳播，從而消除了訓(xùn)練和生產(chǎn)性能之間的差距。
神經(jīng)網(wǎng)絡(luò)處理各種內(nèi)容，包括繪畫和復(fù)雜場景的圖像
尋找創(chuàng)造 3D 體驗的新方法
除了改進(jìn)深度估計算法之外，研究人員還致力于為移動設(shè)備拍攝的視頻提供高質(zhì)量的深度估計。
由于每個幀的深度必須與下一幀一致，視頻處理技術(shù)具有一定挑戰(zhàn)性，但它也是一個提高性能的機(jī)會。對同一物體進(jìn)行多次觀測，可以為高精度的深度估計提供額外的信號。隨著 Facebook 神經(jīng)網(wǎng)絡(luò)性能的不斷提高，團(tuán)隊還將探索在實時應(yīng)用（如增強(qiáng)現(xiàn)實）中利用深度估計、曲面法向估計和空間推理等技術(shù)。
除了這些潛在的新經(jīng)驗，這項工作將幫助研究人員更好地理解 2D 圖像的內(nèi)容。更好地理解 3D 場景還可以幫助機(jī)器人導(dǎo)航以及與物理世界互動。Facebook 希望通過分享 3D 圖片系統(tǒng)的細(xì)節(jié)，幫助人工智能社區(qū)在這些領(lǐng)域取得進(jìn)展，并創(chuàng)造利用先進(jìn)的 3D 新體驗。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
