0
隨著科技的發(fā)展，現(xiàn)在人們可以隨時隨地用手機等設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才具備的雙鏡頭「肖像模式」功能，無法在尋常的移動設備上使用。
為了讓更多人體驗到這種新的視覺格式，F(xiàn)acebook 利用機器學習開發(fā)了一個系統(tǒng)。這個系統(tǒng)可以推斷出任何圖像的 3D 結構，任何設備、任何時間拍攝的圖像都可以被轉換成 3D 形式。這就可以讓人們輕松使用 3D 照片技術。
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 設備的人，現(xiàn)在都可以在 Facebook 應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
構建這種增強的 3D 圖片需要克服不少技術挑戰(zhàn)，例如，要訓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 秒鐘內運行在典型的移動處理器設備上。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練了卷積神經(jīng)網(wǎng)絡（CNN），并利用 Facebook AI 之前開發(fā)的各種移動優(yōu)化技術，如 FBNet 和 ChamNet。團隊最近也討論了 3D 理解的相關研究。
現(xiàn)在，所有使用 Facebook 的人都可以使用這個功能，那么，它究竟是如何構建的？我們可以一起來看看其中的技術細節(jié)。
小狗的原始照片是用單鏡頭相機拍攝的，沒有任何深度圖數(shù)據(jù)，系統(tǒng)將其轉換成了上圖顯示的 3D 圖像
在移動設備上提供高效性能
給定一個標準的 RGB 圖像，3D Photos CNN（3D 照片卷積神經(jīng)網(wǎng)絡）可以估計每個像素與攝像機的距離。研究人員通過四種方式實現(xiàn)了這一目標：
使用一組可參數(shù)化、可移動優(yōu)化的神經(jīng)構建塊構建網(wǎng)絡架構；
自動化架構搜索，以找到這些塊的有效配置，使系統(tǒng)能夠在不到 1 秒鐘的時間內在各種設備上執(zhí)行任務；
量化感知訓練，在移動設備上利用高性能 INT8 量化，同時使量化過程中的性能下降最小化；
從公開的 3D 照片獲取大量的訓練數(shù)據(jù)。
神經(jīng)構建塊
Facebook 的架構使用受 FBNet 的構建塊啟發(fā)。FBNet 是一個為移動設備等資源受限的設備優(yōu)化 ConvNet 架構的框架。一個構建塊由逐點卷積（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 風格的架構，該架構已被修改為沿著跳過連接放置 FBNet 構建塊。U-net 編碼器和解碼器各包含 5 個階段，每個階段對應不同的空間分辨率。
網(wǎng)絡架構概述：一個 U-net 沿著跳過的連接放置額外的宏級構建塊
自動化架構搜索
為了找到一個有效的架構配置，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練精度預測器。該精度預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，使預測精度最大化的模型。
這個設置中使用了一個搜索空間，它可以改變通道擴展因子和每個塊的輸出通道數(shù)，從而產生 3.4x1022 種可能的體系結構。然后，F(xiàn)acebook 使用 800 Tesla V100 GPU 在大約三天內完成搜索，設置并調整模型架構上的 FLOP 約束，以實現(xiàn)不同的操作點。
量化感知訓練
默認情況下，其模型使用單精度浮點權值和激活進行訓練，但研究人員發(fā)現(xiàn)，將權值和激活量化為 8 位具有顯著的優(yōu)勢。尤其是，int8 權重只需要 float32 權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)絡轉換成 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練（QAT）來避免量化導致的質量下降。QAT 現(xiàn)在是 PyTorch 的一部分，它在訓練期間模擬量化并支持反向傳播，從而消除了訓練和生產性能之間的差距。
神經(jīng)網(wǎng)絡處理各種內容，包括繪畫和復雜場景的圖像
尋找創(chuàng)造 3D 體驗的新方法
除了改進深度估計算法之外，研究人員還致力于為移動設備拍攝的視頻提供高質量的深度估計。
由于每個幀的深度必須與下一幀一致，視頻處理技術具有一定挑戰(zhàn)性，但它也是一個提高性能的機會。對同一物體進行多次觀測，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)絡性能的不斷提高，團隊還將探索在實時應用（如增強現(xiàn)實）中利用深度估計、曲面法向估計和空間推理等技術。
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 圖像的內容。更好地理解 3D 場景還可以幫助機器人導航以及與物理世界互動。Facebook 希望通過分享 3D 圖片系統(tǒng)的細節(jié)，幫助人工智能社區(qū)在這些領域取得進展，并創(chuàng)造利用先進的 3D 新體驗。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
