近年来,深度学习(Deep Learning,DL)在解决图像分类、目标检测、语义分割等 2D 图像任务方面表现出了卓越的能力。在 3D 图形问题方面,DL 的应用也取得了巨大的进展。在这篇文章中,我们将探讨一个最新尝试:将 DL 应用于单个图像的 3D 建模上,这是 3D 计算机图形学领域最重要和最严峻的挑战之一。
一张图片,就是 3D 物体的 2D 平面投影,所以,从高维空间向低维空间转换过程中,必然会丢失一些数据。因此,从单一视图的 2D 图像中,永远不会有足够的数据来构建其 3D 模型。
所以,要实现从 2D 图像到 3D 模型的创建,必须对原来的 3D 物体本身有先验知识。
在 2D 深度学习中,卷积自动编码器是学习输入图像的压缩表”的非常有效的方法。将此架构扩展为学习紧凑的形状知识是将深度学习应用于 3D 数据的最有前途的方法。
2D 图像在计算机中只有一种通用格式(像素),与之不同的是:3D 数据可以用许多不同的数字格式来表示。这些表示方法各有优缺点,因此数据呈现方式的选择直接影响到可使用的方法。
立体像素的英文 voxel 是 volumetric pixel 的缩写,是空间网格像素到体积网格立体像素的直接扩展。每个立体像素的局部性共同定义了该体积数据的独特结构,因此卷积神经网络(CNN)的局部性假设在体积格式中仍然成立。
然而,这种表示是稀疏和浪费的。随着分辨率的增加,有用的立体像素的密度会降低。
多边形网格:是顶点、边和面的集合,可用于定义三维表面。它可以相当紧凑颗粒形式表达中细节。
点云:3D 坐标(x、y、z)中的点的集合,这些点共同形成一个类似于 3D 对象形状的云。点的集合越大,得到的细节就越多。不同顺序的相同点集仍然表示相同的 3D 对象。
# point_cloud1 and point_cloud2 represent the same 3D structure
# even though they are represented differently in memory
point_cloud1 = [(x1, y1, z1), (x2, y2, z2),..., (xn, yn, zn)]
point_cloud2 = [(x2, y2, z2), (x1, y1, z1),..., (xn, yn, zn)]
以下方法参考论文:Learning Efficient Point Cloud Generation for Dense 3D Object Reconstruction,论文网址:https://arxiv.org/abs/1706.07036
下面的方法结合了点云的优点,但使用传统的 2D 卷积神经网络来学习先验的形状知识。
建立一个标准的 2D CNN 结构生成器,用于学习对象的先验形状知识。“立体像素方法”是不可取的,因为它效率低下,而且不可能用 CNN 直接学习点云。因此,我们将学习从单个图像到一个点云的 2D 投影的映射,并定义为:2D projection == 3D coordinates (x,y,z) + binary mask (m)
#--------- Pytorch pseudo-code for Structure Generator ---------#
class Structure_Generator(nn.Module):
# contains two module in sequence, an encoder and a decoder
def __init__(self):
self.encoder = Encoder()
self.decoder = Decoder() def forward(self, RGB_image):
# Encoder takes in one RGB image and
# output an encoded deep shape-embedding
shape_embedding = self.encoder(RGB_image)
# Decoder takes the encoded values and output
# multiples 2D projection (XYZ + mask)
XYZ, maskLogit = self.decoder(shape_embedding)
return XYZ, maskLogit
将预测的 2D 投影融合到 3D 点云数据中。这是可以实现的,因为这些预测的视点是固定的,并且是事先知道的。
可以推断,应该有必要将预测的 2D 投影融合的点云中。那么,如果我们从新视点渲染不同的 2D 投影,它也应该类似于真实 3D 模型的投影。
3d3.
将上述三部分结合在一起,我们获得了一个端到端的模型,此模型可以用 2D 卷积结构生成器,将单个 2D 图像生成紧凑的点云。
该模型的巧妙之处在于使 “融合+伪渲染”模块变成完全可微,其几何解释:
# --------- Pytorch pseudo-code for training loop ----------## Create 2D Conv Structure generator
model = Structure_Generator()
# only need to learn the 2D structure optimizer
optimizer = optim.SGD(model.parameters())# 2D projections from predetermined viewpoints
XYZ, maskLogit = model(RGB_images)# fused point cloud
#fuseTrans is predetermined viewpoints info
XYZid, ML = fuse3D(XYZ, maskLogit, fuseTrans)# Render new depth images at novel viewpoints
# renderTrans is novel viewpoints info
newDepth, newMaskLogit, collision = render2D(XYZid, ML, renderTrans)# Compute loss between novel view and ground truth
loss_depth = L1Loss()(newDepth, GTDepth)
loss_mask = BCEWithLogitLoss()(newMaskLogit, GTMask)
loss_total = loss_depth + loss_mask# Back-propagation to update Structure Generator
loss_total.backward()
optimizer.step()
本文的源码、论文和项目地址:
https://medium.com/vitalify-asia/create-3d-model-from-a-single-2d-image-in-pytorch-917aca00bb07