編輯丨極市平臺

站在門口看一眼，AI就能腦補出房間里面長什么樣：

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圖片合成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。

這一次的新進展，則是將視角進一步延伸，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、走過走廊后的場景了。

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跡

讓AI根據(jù)一個畫面，就推測出后面的內(nèi)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攝像機運動軌跡，讓生成的每幀畫面與運動軌跡位置一一對應，從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，編碼器會將圖像編碼為離散表示，****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的架構來做自回歸。

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

然后，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，并通過預測前后幀來不斷增加輸入。

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

這個局部性約束是通過攝像機軌跡來引入的。

基于兩幀畫面所對應的攝像機軌跡位置，研究人員可以定位重疊幀，并能確定下一幀在哪。

為了結合以上內(nèi)容，他們利用MLP計算了一個“相機感知偏差”。

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

實驗結果

本項研究在RealEstate10K、Matterport3D數(shù)據(jù)集上進行實驗。

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

與離散相機軌跡的方法相比，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，運動軌跡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數(shù)據(jù)集上，相機感知偏差和解耦位置的嵌入，都對提高圖像質(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為香港科技大學本科生。

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)基梅隆大學機器人專業(yè)。

研究興趣有計算機視覺、機器學習和機器人等。特別自我監(jiān)督學習、視頻理解、常識推理、強化學習和機器人技術等領域。

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

本文僅做學術分享，如有侵權，請聯(lián)系刪文。