站在門口看一眼,AI就能腦補出房間裡面長什麼樣:
是不是有線上VR看房那味兒了?
不隻是室内效果,來個遠景長鏡頭航拍也是so easy:
而且渲染出的圖像通通都是高保真效果,仿佛是用真相機拍出來的一樣。
最近一段時間,用2D圖檔合成3D場景的研究火了一波又一波。
但是過去的許多研究,合成場景往往都局限在一個範圍比較小的空間裡。
比如此前大火的NeRF,效果就是圍繞畫面主體展開。
這一次的新進展,則是将視角進一步延伸,更側重讓AI預測出遠距離的畫面。
比如給出一個房間門口,它就能合成穿過門、走過走廊後的場景了。
目前,該研究的相關論文已被CVPR2022接收。
輸入單張畫面和相機軌迹
讓AI根據一個畫面,就推測出後面的内容,這個感覺是不是和讓AI寫文章有點類似?
實際上,研究人員這次用到的正是NLP領域常用的Transformer。
他們利用自回歸Transformer的方法,通過輸入單個場景圖像和錄影機運動軌迹,讓生成的每幀畫面與運動軌迹位置一一對應,進而合成出一個遠距離的長鏡頭效果。
整個過程可以分為兩個階段。
第一階段先預訓練了一個VQ-GAN,可以把輸入圖像映射到token上。
VQ-GAN是一個基于Transformer的圖像生成模型,其最大特點就是生成的圖像非常高清。
在這部分,編碼器會将圖像編碼為離散表示,解碼器将表示映射為高保真輸出。
第二階段,在将圖像處理成token後,研究人員用了類似GPT的架構來做自回歸。
具體訓練過程中,要将輸入圖像和起始相機軌迹位置編碼為特定模态的token,同時添加一個解耦的位置輸入P.E.。
然後,token被喂給自回歸Transformer來預測圖像。
模型從輸入的單個圖像開始推理,并通過預測前後幀來不斷增加輸入。
研究人員發現,并非每個軌迹時刻生成的幀都同樣重要。是以,他們還利用了一個局部性限制來引導模型更專注于關鍵幀的輸出。
這個局部性限制是通過錄影機軌迹來引入的。
基于兩幀畫面所對應的錄影機軌迹位置,研究人員可以定位重疊幀,并能确定下一幀在哪。
為了結合以上内容,他們利用MLP計算了一個“相機感覺偏差”。
這種方法會使得在優化時更加容易,而且對保證生成畫面的一緻性上,起到了至關重要的作用。
實驗結果
本項研究在RealEstate10K、Matterport3D資料集上進行實驗。
結果顯示,相較于不規定相機軌迹的模型,該方法生成圖像的品質更好。
與離散相機軌迹的方法相比,該方法的效果也明顯更好。
作者還對模型的注意力情況進行了可視化分析。
結果顯示,運動軌迹位置附近貢獻的注意力更多。
在消融實驗上,結果顯示該方法在Matterport3D資料集上,相機感覺偏差和解耦位置的嵌入,都對提高圖像品質和幀與幀之間的一緻性有所幫助。
兩位作者均是華人
Xuanchi Ren為香港科技大學大學生。
他曾在微軟亞研院實習過,2021年暑期與Xiaolong Wang教授有過合作。
Xiaolong Wang是加州大學聖地亞哥分校助理教授。
他博士畢業于卡内基梅隆大學機器人專業。
研究興趣有計算機視覺、機器學習和機器人等。特别自我監督學習、視訊了解、常識推理、強化學習和機器人技術等領域。
論文位址:https://xrenaa.github.io/look-outside-room/