占用内存不到过去方法的1/16

明敏 发自 凹非寺

非常AI 报道 | 公众号 QbitAI

2D图片变3D，还能给出3D几何数据？

英伟达和斯坦福大学联合推出的这个GAN，真是刷新了3D GAN的新高度。

而且生成画质也更高，视角随便摇，面部都没有变形。

与过去传统的方法相比，它在速度上能快出7倍，而占用的内存却不到其十六分之一。

最厉害的莫过于还可给出3D几何数据，像这些石像效果，就是根据提取的位置信息再渲染而得到的。

甚至还能实时交互编辑。

该框架一经发布，就在推特上吸引了大量网友围观，点赞量高达600+。

怎么样？是不是再次刷新你对2D升3D的想象了？

显隐混合+双重鉴别

事实上，只用一张单视角2D照片生成3D效果，此前已经有许多模型框架可以实现。

但是它们要么需要计算量非常大，要么给出的近似值与真正的3D效果不一致。

这就导致生成的效果会出现画质低、变形等问题。

为了解决以上的问题，研究人员提出了一种显隐混合神经网络架构 （hybrid explicit-implicit network architecture）。

这种方法可以绕过计算上的限制，还能不过分依赖对图像的上采样。

从对比中可以看出，纯隐式神经网络（如NeRF）使用带有位置编码（PE）的完全连接层（FC）来表示场景，会导致确定位置的速度很慢。

纯显式神经网络混合了小型隐式解码器的框架，虽然速度更快，但是却不能保证高分辨率的输出效果。

而英伟达和斯坦福大学提出的这个新方法EG3D，就将显式和隐式的表示优点结合在了一起。

它主要包括一个以StyleGAN2为基础的特征生成器和映射网络，一个轻量级的特征解码器，一个神经渲染模块、一个超分辨率模块和一个可以双重识别位置的StyleGAN2鉴别器。

其中，神经网络的主干为显式表示，它能够输出3D坐标；解码器部分则为隐式表示。

与典型的多层感知机制相比，该方法在速度上可快出7倍，而占用的内存却不到其十六分之一。

与此同时，该方法还继承了StyleGAN2的特性，比如效果良好的隐空间（latent space）。

比如，在数据集FFHQ中插值后，EG3D的表现非常nice：

该方法使用中等分辨率（128 x 128）进行渲染，再用2D图像空间卷积来提高最终输出的分辨率和图像质量。

这种双重鉴别，可以确保最终输出图像和渲染输出的一致性，从而避免在不同视图下由于卷积层不一致而产生的问题。

△两图中左半边为最终输出效果，右半边为渲染输出

而没有使用双重鉴别的方法，在嘴角这种细节上就会出现一些扭曲。

△左图未使用双重鉴别；右图为EG3D方法效果

数据上，与此前方法对比，EG3D方法在256分辨率、512分辨率下的距离得分（FID）、识别一致性（ID）、深度准确性和姿态准确性上，表现都更好。

团队介绍

此项研究由英伟达和斯坦福大学共同完成。

共同一作共有4位，分别是：Eric R. Chan、Connor Z. Lin、Matthew A. Chan、Koki Nagano。

其中，Eric R. Chan是斯坦福大学的一位博士研究生，此前曾参与过一些2D图像变3D的方法，比如pi-GAN。

Connor Z. Lin是斯坦福大学的一位正在读博二的研究生，本科和硕士均就读于卡内基梅隆大学，研究方向为计算机图形学、深度学习等。

Matthew A. Chan则是一位研究助理，以上三人均来自斯坦福大学计算机成像实验室（Computational Imaging Lab）。

Koki Nagano目前就职于英伟达，担任高级研究员，研究方向为计算机图形学，本科毕业于东京大学。

论文地址：
https://arxiv.org/abs/2112.07945

参考链接：
https://matthew-a-chan.github.io/EG3D/