全国电话:400-0471-910
座 机:0471-3481343
手 机(微信):13789418942
近期正在韩国首尔国际计算机视觉大会(iccv)上,一大波的ai研究继而公布,facebook计划发表40多篇论文,其中我们关注到2d照片下三维场景重建与内容理解,等等3d图像分析的研究。
这些有什么作用呢,我们知道随着5g技术和千兆宽带的普及,届时的互联网媒介形式势必也会迎来改变,其中以ar/vr体验的三维形态的媒体内容被看作重点方向。
随着场景形态逐渐向三维转变,届时将会迎来一个高度逼真的虚拟世界,而三维内容的理解也将变得更为重要。例如现在的ai技术可以很好的识别2d照片/视频中的物体、动作等等,而到了三维场景中又会迎来新的玩法。
facebook ai研究院今天发布的一篇博客中,着重提到了其在3d内容理解上的努力。
文章中提到,想要了解周围的世界的前提是,ai必须能够理解三维视觉场景,这种需求不仅仅体现在机器人、导航、ar/vr等方面,甚至在2d照片/视频中也得能够正确识别出其中的一个杯子的三维形状等等。
以下的几项研究,正在以不同但互补的方式来推进三维场景解析技术的发展。
1,mesh r-cnn,一种可以精准预测现实环境中2d图像中物体的3d形状的框架,其可以检测复杂的对象,比如椅子腿儿、被遮挡的家具等;
2,c3dpo,一种在2d关键点注释中,提取出可变性对象的3d模型的方法,已用于14个类别的对象,通过2d关键点标注实现,无3d标注信息;
3,通过新方法学习图像像素与3d形状之间的关联,大大降低对注释训练的依赖,从而更接近可以实现更多种类对象3d重建的自我监督系统;
4,votenet技术,可在lidar或其它3d传感器输入可用时,进行对象检测,该系统完全基于3d点云技术,精度更高。
如何更好的解析出3d形状
包括mask r-cnn在内的很多图像解析ai框架,往往是在2d环境中进行工作,在3d环境下可能并不适用。不过,凭借2d环境中的感知技术作为积累,facebook重新设计了一个3d对象重建的ai模型。
该模型的特点是可在现实的场景图片中去预测3d对象的形状,而这其中的挑战在于光学部分,例如:是否有遮挡,是否有杂波以及其它拓扑的对象。
为了应对挑战,首先通过网格预测分支加强mask r-cnn在2d对象分割系统,并构建totch3d(pytorch库)从而实现:mesh r-cnn,其通过mask r-cnn进行对象的检测和分类。然后通过新型网络预测模型推测3d形状,该预测包含体素预测和网格细化共同构成。
最后通过detectron2完成整套框架的结构,即:输入rgb图像--检测物体--预测3d形状的过程。
据悉,facebook的新型方法支持成对图像和网格的完全监督学习预测3d形状,为了进行训练,facebook还是用10000对图像和网格组成的pix3d数据集,这个数据集比其它训练数据集(通常10万个图像、需进行标注)要小很多。
最终在两个数据集上进行mesh r-cnn的评估,效果比较理想。在pix3d数据集上,能够检测所有类别对象,并能预测出被遮挡的家具的完整形状;而在shapnet数据集上,体素预测和网格细化的混合法比以前要好7%。
准确预测、并重建现实世界中无约束的场景形状,无疑是增强未来arvr等其它类似体验的重要工作。联想到facebook在今年oc6公布的共享空间和3d重建体验,以及未来面向ar和机器视觉等众多体验的合集livemap,这些都是技术的基础。
尽管如此,和2d图像相比,3d图像在收集注释数据的工作上要复杂得多,且更为耗时,这也是3d形状预测数据集比2d对应数据集进展要落后的原因,而接下来facebook也在探索更多不同的方法,利用监督学习和自我监督学习来重建3d对象。
使用2d关键点重建3d对象类别
对于那些无法使用网格和图像训练、且无需完全重建静态对象/场景的案例,facebook开发了一种新的代替方案:c3dpo,其通过大量丰富的2d关键节点数据,进行监督学习实现更好的重建结果。而c3dpo以弱监督的方式解析出3d几何形状,且被证明适合大规模部署。
其中特定部分(例如人体关键、鸟翅膀)的2d关键点,成为了该方法中重新构建对象几何形状、变形或视点变化的线索。这些3d关键点利用价值也很高,例如在vr中创建逼真的面部和全身网格模型时。
简单来讲,c3dpo是一种能重建包括数十万具有上千个2d关键点的数据集方法,并且针对三种不同的数据集、14种以上的非刚性物体类别,进行精度重建。另外,和mesh r-cnn类似,c3dpo同样支持那些有遮挡或部分缺失图像。
而c3dpo模型还具备两个创新,一是,在给定一组单眼2d关键点的情况下,c3dpo将以标准方向预测相机视点的参数和3d关键点位置;二是,facebook提出一个新的正则化技术,其包括与3d重建网络模型共同学习的第二个辅助深度模型,它解决了因分解3d视点和形状带来的冲突。正是基于这两项创新,才是c3dpo的方法比传统的数据统计模型表现更好。
根据facebook描述,这种3d模型构建在以前是无法实现的,主要由于此前基于矩阵式分解的方法有很多限制,与c3dpo采用的深度网络模型不同,其能够“小规模”运行。为了解决3d重建带来的变形问题,此前往往通过同一时间多张图像合成解决,这对硬件要求更高,而c3dpo则可以在硬件无法进行3d拍摄(例如飞机等体型特别大的物体)的情况下实现3d重建。
另外还有从图像集学习图形像素与形状的映射关系,以及提升3d系统中对象检测能力的两个论文本文不再解读,感兴趣可阅读原文了解。
总而言之,3d计算机视觉领域还有很多值得探究的领域,还有很多问题尚未被解决,还需要像此前进行2d计算机视觉探索那样继续前行。
随着数字世界的不断推进,我们将会转向使用3d照片、ar、vr等技术,因此未来需要更准确的理解场景中对象、交互动作等一系列复杂的问题。
facebook表示:能够开发出向人类一样理解现实世界,并与之互动的ai系统是其长期目标。诚然,这就需要不断缩小物理空间和数字化的虚拟空间之间的隔阂与距离,而在3d视觉方面就还有很多工作需要大家共同努力。
(免责声明:该文章转载自芬莱科技,链接地址: 本站在转载文章时均注明来源出处,转载目的在于传递更多信息,未用于商业用途。如因本站的文章、图片等在内容、凯发app的版权或其它方面存在问题或异议,请与本站联系,本站将作妥善处理。)
全国电话:400-0471-910
座 机:0471-3481343
手 机(微信):13789418942
网址:www.ceyee.cn
内蒙古自治区呼和浩特市玉泉区南二环路138号玉泉大厦4层内蒙古策义vr 5g产业创新基地
策义 策义集团 策义科技 策义科技集团 内蒙古策义科技集团股份有限公司