2D秒变3D！视角还能随意切！华为&上交提出：CIPS-3D：基于GAN的3D感知生成器

点击下方卡片，关注“新机器视觉”公众号

视觉/图像重磅干货，第一时间送达

明敏 发自 凹非寺
来源：量子位（QbitAI）

如果让GAN生成的逼真人像变成3D版，会怎样？

仿佛有摄像机对着人像直拍，正面、侧面、仰视、俯视不同角度都能展现。

真的有种人要从画中走出来那味儿了。

而且，这些效果都是由静态单视角图片生成的！

甚至能让卡通人像立体起来。

这就是上海交通大学和华为的最新研究：CIPS-3D。

它是一种基于GAN的3D感知生成器，只用原始单视角图像，无需任何上采样，就能生成分辨率256×256的清晰图像。

并且创下3D感知图像合成的新记录，FID仅为6.97。

现在，这个项目在GitHub上已有200+星，作者已将源代码开源，训练配置文件将在后续发布。

搞定镜像对称

在高清人脸数据集FFHQ上，CIPS-3D的表现可以说非常nice，连古典画都能变成立体版。

当然也能搞定不同动物的face。

看到图像从2D直接变成3D，可能有人已经想到了谷歌大名鼎鼎的NeRF。

它只需要输入少量静态图片，就能做到多视角的逼真3D效果。

而这次的CIPS-3D，也是基于NeRF开发。

它主要用到了两个网络：NeRF和INR（隐式神经表示法，Implicit Neural Representations）。

浅层是NeRF，它主要负责把人像从2D变为3D。

它将场景的体积表示优化为向量函数，输入为3D位置坐标和视图方向。

具体而言，就是沿相机射线采样信息，来合成图像。

然后，将这样的场景表示参数化为一个完全连接深度网络（MLP），输出对应的颜色和体积密度值。

为了获得更为准确的3D图像，往往需要对每条光线上多点采样，这也就造成NeRF所需的内存非常大。

因此，如果神经网络中只用NeRF，就会限制网络的深度，导致生成图像模糊、缺乏细节。

△第一列为NeRF生成，第二列为INR生成

所以在CIFS-3D中，研究人员将深层网络设置为INR，让它负责合成高保真的图像。

这种方法也能将各种信号参数化，输出RGB值。

而且由于不再与空间分辨率耦合，它可以对任意空间分辨率进行采样。

论文中也提到，该方法也没有任何上采样。

但是受限于CPU内存，如果直接训练高分辨率图像会有一定难度，为此研究人员提出了一种部分梯度反向传播的方法。

在训练时，该方法进对随机采样中的绿色光线进行梯度反向传播计算，其余光线则不计算。

解决了3D化问题，还能保证高保真，你以为这就结束了？

NO、NO、NO

在研究过程中，工作人员发现CIPS-3D还存在镜像对称问题。

这种现象其实在许多3D GAN中都存在，比如GIRAFFE、StyleNeRF。

比如在下面这个案例中，初始单角度图像的刘海是偏左的，但是生成的不同角度图像中，刘海会随着视角的变化而变化，就像是镜像一样。

出现这样的问题，是因为NeRF网络输入的坐标就有存在镜像对称。

比如图中a、c两点的坐标就是完全镜像对称的关系。

这对于生成完全对称的物体而言没什么问题。

但是放在只给侧面角度的人像上来说，可能就是一场灾难。

为此，研究人员在神经网络中添加了一个鉴别器（discriminator），让它来辅助鉴别这种问题。

最后结果表明，与其他可生成3D人像的方法相比，FID、KID值明显降低，这两个值越低意味着生成图像质量越好。

团队介绍

值得一提的是，该论文通讯作者为田奇。

田奇，美国伊利诺伊大学香槟分校博士、IEEE Fellow， 也是原UTSA计算机系正教授。

发表文章约550余篇，包括250+ IEEE TPAMI、IJCV、CVPR/ICCV/ECCV、NeurIPS等国际顶级期刊和会议。

2018年加入华为云，研究主要方向为计算机视觉、自然语言处理和语音交互。

华为谢凌曦博士、上海交通大学倪冰冰教授也参与了此次研究。

谢凌曦，本科博士均毕业于清华大学计算机专业，专长计算机视觉、自动机器学习。目前为华为高级研究员。

倪冰冰，现为上海交通大学电子系特别研究员/长聘教轨副教授，博士生导师。

本科毕业于上海交通大学电子工程系，之后赴新加坡国立大学攻读博士。

博士期间，先后在微软亚洲研究院和谷歌公司美国总部工作，担任算法科学家。

2010-2015年于美国伊利诺伊大学香槟分校新加坡高等研究院担任研究科学家。

研究方向为计算机视觉、机器学习等。

本项研究已经由论文一作Peng Zhou（上海交通大学）上传至其GitHub主页，感兴趣的童鞋可以前去围观~

论文地址：
https://arxiv.org/abs/2110.09788

GitHub地址：
https://github.com/PeterouZh/CIPS-3D