视频 | 从图像集合中学习特定类别的网格重建

AI 科技评论按：本文为雷锋字幕组编译的论文解读短视频，原标题 Learning Category-Specific Mesh Reconstruction from Image Collections，作者为 Angjoo Kanazawa。

翻译 | 龙珂宇 字幕 | 凡江 整理 | 李逸帆 吴璇

Angjoo Kanazawa，是加州大学伯克利分校 BAIR（Berkeley AI Research）的博士后。她的论文《狮子、老虎、熊：从图像中捕捉非刚性的3D立体形状》、《SfSNet ：「在自然情况下」学习脸部形状、反射比、照明度》都被收录在 CVPR 2018。本篇介绍的《从图像集合中学习特定类别的网格重建》是她最新论文的预印本。

一直以来，Angjoo 的研究重点都是包括人类在内的动物单视图三维重建。比如，我们如何能够通过观察 2D 图像或视频，来推出三维模型？

如图所示，虽然这是一个二维的平面图片，但我们可以大致推断出它的 3D 轮廓，甚至可以想像出从另一个角度看它是什么样的。

在这次的工作中，我们的目标就是建造一个类似的计算模型。从单张平面图片推断出 3D 模型的说法并不太准确，它仅在我们具备一只鸟长什么样的基础知识的情况下才可能实现。原来的办法主要通过 3D 基准形状来获得这种基础知识，要么是绘制的合成图要么是物体的扫描图。但不幸的是，这种扫描方法在实际上，很难用到活体对象上面，因为我们很难让他们配合我们的扫描，所以我们试图采用一种更自然的监督方法——就是大量的标注图片集合。

假设我们对于一个物体类别有大量的图片集，但对于每一个个体都只包括一个角度，每一张图片都被添加了一组语义描述和正确的分割蒙版。从这个图片合集和蒙版上的标注，我们学习到一个预测器F，在给定一张新的未标注图片时，F可以推断它的 3D 形状并用网格表示，可以推断其观测视角，以及其网格结构。通过这些推断和预测，我们就得到了关于这个物体 3D 形状的一个表示。从任何一个视角渲染这个模型，都可以把它直观地可视化。

F 是一个 CNN 神经网络，包括一个图像解码器和三个预测模块。首先我们预测相机的观测视角，其参数由弱透视投影变化决定。第二个输出是物体的 3D 形状，它是一个和类别有关的形变模型。我们将学习到的该类级别模型和当前输入的预测形变相结合，然后获得输出的 3D 形状。这样一个类级别模型的好处在于——我们可以学习到如何关联语义标注和网格的格点，同时也能从预测形状中，获得 3D 关键点的位置。最后，我们还可以通过一张正则形态空间中的 RGB 图像表达，预测出它的纹理结构。

那么该如何，从这张二维图片中看出，我们对纹理结构的预测呢？我们注意到，一个类别中的不同形状其实只是平均形状的一个形变，而其平均形状可以被视为一个球体，其纹理可以用一张 UV 纹理图片来表示，就像把一个球体展开到二维平面上。UV 图也可以被映射到球体上，然后被变化到平均形状或者任何预测出的形状上。所以，为了预测形状的纹理，我们只需要预测 UV 图中的颜色，所以我们通过一个 CNN 结构来实现它。我们将输入图片编码后传入CNN，这里，我们并不是直接预测，纹理图片的像素信息，而是预测他的纹理流。

在获得预测信息之后，我们用同样的办法表示出我们的目标物体，然后使得预测值更接近真实值。我们最小化预测结果和真实结果的渲染蒙版，渲染图片和投影关键点之间距离。我们使用神经网格渲染器，所以。所有损失函数都是可微的。同时我们也在模型中包含了一些先验信息，如对称性，表面的光滑性等等。

现在我们在测试集上向大家展示一些训练结果，给定一张输入图片，我们可以推断其在结构中的形状，这里展示了不同视角下的结果。我们的模型也可以捕捉到不同的形状，比如说翅膀，和不同的尾部。我们也可以使用我们的结果，将一只鸟的纹理变化到另外一只鸟。比如说，给定这两只鸟的图片，我们首先重建它们的结构和纹理。因为纹理图是在正则形态空间中表示的，我们可以简单地交换它们的纹理图。然后把第二只鸟的纹理变化到第一只鸟身上，反之同理，即使在鸟的形状不同的时候，我们也可以进行纹理变化的操作。比如说这里我们向大家展示一些不同测试数据上的重建结果，大家可以看到它们的360°图片。

视频原址 https://www.youtube.com/watch?v=cYHQKtBLI3Q 论文原址 https://arxiv.org/pdf/1803.07549.pdf