只用一張圖＋相機(jī)走位，AI就能腦補(bǔ)周圍環(huán)境｜CVPR2022

站在門口看一眼，AI就能腦補(bǔ)出房間里面長(zhǎng)什么樣：

是不是有線上VR看房那味兒了？

不只是室內(nèi)效果，來個(gè)遠(yuǎn)景長(zhǎng)鏡頭航拍也是so easy：

而且渲染出的圖像通通都是高保真效果，仿佛是用真相機(jī)拍出來的一樣。

最近一段時(shí)間，用2D圖片合成3D場(chǎng)景的研究火了一波又一波。

但是過去的許多研究，合成場(chǎng)景往往都局限在一個(gè)范圍比較小的空間里。

比如此前大火的NeRF，效果就是圍繞畫面主體展開。

這一次的新進(jìn)展，則是將視角進(jìn)一步延伸，更側(cè)重讓AI預(yù)測(cè)出遠(yuǎn)距離的畫面。

比如給出一個(gè)房間門口，它就能合成穿過門、走過走廊后的場(chǎng)景了。

目前，該研究的相關(guān)論文已被CVPR2022接收。

輸入單張畫面和相機(jī)軌跡

讓AI根據(jù)一個(gè)畫面，就推測(cè)出后面的內(nèi)容，這個(gè)感覺是不是和讓AI寫文章有點(diǎn)類似？

實(shí)際上，研究人員這次用到的正是NLP領(lǐng)域常用的Transformer。

他們利用自回歸Transformer的方法，通過輸入單個(gè)場(chǎng)景圖像和攝像機(jī)運(yùn)動(dòng)軌跡，讓生成的每幀畫面與運(yùn)動(dòng)軌跡位置一一對(duì)應(yīng)，從而合成出一個(gè)遠(yuǎn)距離的長(zhǎng)鏡頭效果。

整個(gè)過程可以分為兩個(gè)階段。

第一階段先預(yù)訓(xùn)練了一個(gè)VQ-GAN，可以把輸入圖像映射到token上。

VQ-GAN是一個(gè)基于Transformer的圖像生成模型，其最大特點(diǎn)就是生成的圖像非常高清。

在這部分，編碼器會(huì)將圖像編碼為離散表示，解碼器將表示映射為高保真輸出。

第二階段，在將圖像處理成token后，研究人員用了類似GPT的架構(gòu)來做自回歸。

具體訓(xùn)練過程中，要將輸入圖像和起始相機(jī)軌跡位置編碼為特定模態(tài)的token，同時(shí)添加一個(gè)解耦的位置輸入P.E.。

然后，token被喂給自回歸Transformer來預(yù)測(cè)圖像。

模型從輸入的單個(gè)圖像開始推理，并通過預(yù)測(cè)前后幀來不斷增加輸入。

研究人員發(fā)現(xiàn)，并非每個(gè)軌跡時(shí)刻生成的幀都同樣重要。因此，他們還利用了一個(gè)局部性約束來引導(dǎo)模型更專注于關(guān)鍵幀的輸出。

這個(gè)局部性約束是通過攝像機(jī)軌跡來引入的。

基于兩幀畫面所對(duì)應(yīng)的攝像機(jī)軌跡位置，研究人員可以定位重疊幀，并能確定下一幀在哪。

為了結(jié)合以上內(nèi)容，他們利用MLP計(jì)算了一個(gè)“相機(jī)感知偏差”。

這種方法會(huì)使得在優(yōu)化時(shí)更加容易，而且對(duì)保證生成畫面的一致性上，起到了至關(guān)重要的作用。

實(shí)驗(yàn)結(jié)果

本項(xiàng)研究在RealEstate10K、Matterport3D數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。

結(jié)果顯示，相較于不規(guī)定相機(jī)軌跡的模型，該方法生成圖像的質(zhì)量更好。

與離散相機(jī)軌跡的方法相比，該方法的效果也明顯更好。

作者還對(duì)模型的注意力情況進(jìn)行了可視化分析。

結(jié)果顯示，運(yùn)動(dòng)軌跡位置附近貢獻(xiàn)的注意力更多。

在消融實(shí)驗(yàn)上，結(jié)果顯示該方法在Matterport3D數(shù)據(jù)集上，相機(jī)感知偏差和解耦位置的嵌入，都對(duì)提高圖像質(zhì)量和幀與幀之間的一致性有所幫助。

兩位作者均是華人

Xuanchi Ren為香港科技大學(xué)本科生。

他曾在微軟亞研院實(shí)習(xí)過，2021年暑期與Xiaolong Wang教授有過合作。

Xiaolong Wang是加州大學(xué)圣地亞哥分校助理教授。

他博士畢業(yè)于卡內(nèi)基梅隆大學(xué)機(jī)器人專業(yè)。

研究興趣有計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和機(jī)器人等。特別自我監(jiān)督學(xué)習(xí)、視頻理解、常識(shí)推理、強(qiáng)化學(xué)習(xí)和機(jī)器人技術(shù)等領(lǐng)域。

論文地址：https://xrenaa.github.io/look-outside-room/

關(guān)鍵詞： 只用一張圖＋相機(jī)走位 AI就能腦補(bǔ)周圍環(huán)境｜CVPR2022