一张照片就能生成3D模型，GAN和自动编码器碰撞出奇迹，ETH出品

萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

2D图片“脑补”3D模型，这次真的只用一张图就行了——

只需要给AI随便喂一张照片，它就能从不一样的角度给你生成“新视图”：

不仅能搞定360°的椅子和汽车，连人脸也玩出了新花样，从“死亡自拍”角度到仰视图都能生成：

更有意思的是，这只名叫Pix2NeRF的AI，连训练用的数据集都有点“与众不同”，可以在没有3D数据、多视角或相机参数的情况下学会生成新视角。

可以说是又把NeRF系列的AI们卷上了一个新高度。

用GAN+自动编码器学会“脑补”

在此之前，NeRF能通过多视图训练AI模型，来让它学会生成新视角下的3D物体照片。

然而，这也导致一系列采用NeRF方法的模型，包括PixelNeRF和GRF，都需要利用多视图数据集才能训练出比较好的2D生成3D模型效果。

而多视图数据集往往有限，训练时间也比较长。

因此，作者们想出了一个新方法，也就是用自动编码器来提取物体姿态和形状特征，再用GAN直接生成全新的视角图片。

Pix2NeRF包含三种类型的网络架构，即生成网络G，判别网络D和编码器E。

其中，生成网络G和判别网络D组成生成对抗网络GAN，而编码器E和生成网络G用于构成自动编码器：

首先，自动编码器可以通过无监督学习，来获取输入图像的隐藏特征，包括物体姿态和物体形状，并利用学习到的特征重建出原始的数据；

然后，再利用GAN来通过姿态和形状数据，重构出与原来的物体形状不同的新视图。

这里研究人员采用了一种叫做π-GAN的结构，生成3D视角照片的效果相比其他类型的GAN更好（作者们还对比了采用HoloGAN的一篇论文）：

那么，这样“混搭”出来的AI模型，效果究竟如何？

用糊图也能生成新视角

作者们先是进行了一系列的消融实验，以验证不同的训练方法和模型架构，是否真能提升Pix2NeRF的效果。

例如，针对模型去掉GAN逆映射、自动编码器，或不采用warmup针对学习率进行预热等，再尝试生成新视角的人脸：

其中，GAN逆映射（inversion）的目的是将给定的图像反转回预先训练的GAN模型的潜在空间中，以便生成器从反转代码中重建图像。

实验显示，除了完整模型（full model）以外，去掉各种方法的模型，生成人脸的效果都不够好。

随后，作者们又将生成照片的效果与其他生成新视图的AI模型进行了对比。

结果表明，虽然Pix2NeRF在ShapeNet-SRN的生成效果上没有PixelNeRF好，但效果也比较接近：

而在CelebA和CARLA数据集上，Pix2NeRF基本都取得了最好的效果。

而且模型还自带一些“美颜”功能，即使是糊图送进去，也能给GAN出更丝滑的轮廓：

整体而言，除了人脸能生成不同角度的新视图以外，物体还能脑补出360°下不同姿态的效果：

看来，AI也和人类一样，学会“脑补”没见过的物体形状了。

作者介绍

这次论文的作者均来自苏黎世联邦理工学院（ETH）。

论文一作Shengqu Cai，ETH硕士研究生，本科毕业于伦敦国王学院，研究方向是神经渲染、生成模型和无监督学习等，高中毕业于辽宁省实验中学。

Anton Obukhov，ETH博士生，此前曾在英伟达等公司工作，研究方向是计算机视觉和机器学习。

Dengxin Dai，马普所高级研究员和ETH（外部）讲师，研究方向是自动驾驶、传感器融合和有限监督下的目标检测。

Luc Van Gool，ETH计算机视觉教授，谷歌学术上的引用量达到15w+，研究方向主要是2D和3D物体识别、机器人视觉和光流等。

目前这项研究的代码还在准备中。

感兴趣的小伙伴可以蹲一波了~

论文地址：
https://arxiv.org/abs/2202.13162

项目地址：
https://github.com/HexagonPrime/Pix2NeRF

参考链接：
[1]https://arxiv.org/pdf/2102.03285.pdf
[2]https://arxiv.org/pdf/2012.02190.pdf
[3]https://www.mpi-inf.mpg.de/departments/computer-vision-and-machine-learning
[4]https://www.linkedin.com/in/shengqu-cai-818230185/