DeepMind論文推出了一種新的神經(jīng)網(wǎng)絡(luò)——GQN

編者按：今天，DeepMind的研究人員在Science上發(fā)表論文，推出了一種新的神經(jīng)網(wǎng)絡(luò)——GQN，只用幾張二維照片，就能重建全部的三維場景，可以說是計算機視覺領(lǐng)域的又一關(guān)鍵突破。

讓機器對空間環(huán)境進(jìn)行感知似乎一直是DeepMind研究的重點，一個多月前我們曾報道過他們的另一項研究：DeepMind用AI解密大腦：當(dāng)你找路時，大腦發(fā)生了什么。空間感知對人類來說很簡單，例如當(dāng)我們第一次走進(jìn)一個房間，掃一眼就能知道屋里有哪些物品、它們都在哪個位置上。只看到桌子的三條腿，你也能推斷出第四條腿的大致位置和形狀。另外，即使你沒有熟悉屋里的每個角落，也能大概描繪出它的平面圖，或者能想象出從另一個角度看房間應(yīng)該是什么樣子的。

但是想讓人工智能系統(tǒng)做到上述行為的確很困難。現(xiàn)在最先進(jìn)的計算機視覺系統(tǒng)仍需要在大型經(jīng)過標(biāo)注的數(shù)據(jù)集上進(jìn)行訓(xùn)練，而數(shù)據(jù)標(biāo)注又是一項費時費力的工作，所以每次模型只能捕捉一小部分場景。隨著網(wǎng)絡(luò)越來越復(fù)雜，想詳細(xì)了解的周圍環(huán)境也越復(fù)雜：最近的座位在哪？沙發(fā)是什么材質(zhì)的？所有影子的光源在哪？照明開關(guān)可能在哪？

在這次的研究中，DeepMind研究人員介紹了一種能感知周圍環(huán)境的框架——GQN（Generative Query Network）。和嬰兒或動物一樣，GQN通過觀察周圍環(huán)境收集數(shù)據(jù)，從而學(xué)習(xí)，無需人類對場景進(jìn)行標(biāo)記，就能掌握大致空間結(jié)構(gòu)。

GQN模型由兩部分組成：一個表示網(wǎng)絡(luò)和一個生成網(wǎng)絡(luò)。表示網(wǎng)絡(luò)將智能體所觀察到的畫面作為輸入，生成一個表示（向量），描述了基本場景。之后，生成網(wǎng)絡(luò)從此前沒有觀察到的角度對場景進(jìn)行預(yù)測（或者說是“想象”）。

但是表示網(wǎng)絡(luò)并不知道生成網(wǎng)絡(luò)要從哪個視角預(yù)測場景，所以它必須找到一種高效、精確的描繪場景平面的方法。它通過捕捉最重要的元素，例如物體的位置、顏色和房間平面，進(jìn)行簡單表示。訓(xùn)練期間，生成器學(xué)習(xí)辨認(rèn)物體、特征、關(guān)系和環(huán)境的規(guī)律。這一套“共享”的概念讓表示網(wǎng)絡(luò)能用一種高度簡練、抽象的方式描繪場景，剩余的細(xì)節(jié)部分就由生成網(wǎng)絡(luò)補充。例如，表示網(wǎng)絡(luò)用一小串?dāng)?shù)字表示一個“藍(lán)色方塊”，生成網(wǎng)絡(luò)就知道從某個角度應(yīng)該如何用像素展現(xiàn)出來。

DeepMind研究人員在程序生成的虛擬3D環(huán)境中對GQN做了多次試驗，包括多種不同物體，被擺放在不同的位置，并且形狀、顏色、材質(zhì)都不相同，同時還改變了光線方向和遮擋程度。通過在這些環(huán)境上進(jìn)行訓(xùn)練，他們用GQN的表示網(wǎng)絡(luò)去生成一個從未見過的場景。在實驗中人們發(fā)現(xiàn)GQN展現(xiàn)出了幾個重要特征：

GQN的生成網(wǎng)絡(luò)可以在全新視角“想象”出此前沒有見過的景象，精確度非常高。給定一個場景表示和新的相機角度，網(wǎng)絡(luò)不需要任何先前信息就能生成精確的圖像。所以生成網(wǎng)絡(luò)也可以近似看成是從數(shù)據(jù)中學(xué)習(xí)的渲染器：

GQN的表示網(wǎng)絡(luò)可以獨自學(xué)習(xí)算數(shù)、定位、分類物體。就算在小型表示上，GQN也能在具體視角上做出非常精準(zhǔn)的預(yù)測，和現(xiàn)實幾乎一模一樣。這說明了表示網(wǎng)絡(luò)觀察得非常仔細(xì)，例如下面這個由幾個方塊堆疊起來的場景：

GQN可以表示、測量并且減少不確定性。即使在沒有完全看到所有場景的情況下，網(wǎng)絡(luò)也可以解釋其中的不確定之處。同時也能根據(jù)部分圖像拼成完整的場景。下面的第一人稱視角和自上而下的預(yù)測方法就是其中的“秘訣”。模型通過它預(yù)測的變化性表達(dá)不確定性，其中預(yù)測的變化性隨著不斷在迷宮中移動減少（灰色三角是觀察位置）。

GQN表示支持穩(wěn)定、數(shù)據(jù)高效的強化學(xué)習(xí)。給定GQN表示后，目前頂尖的深度強化學(xué)習(xí)智能體就開始學(xué)習(xí)以數(shù)據(jù)有效的方式完成任務(wù)。對這些智能體來說，生成網(wǎng)絡(luò)中編入的信息可以看作是對環(huán)境固有的認(rèn)知：

利用GQN我們觀察到了更多數(shù)據(jù)有效的學(xué)習(xí)，比通常只利用原始像素的方法快了近4倍達(dá)到收斂水平

相較于前人研究，GQN是一種全新的學(xué)習(xí)現(xiàn)實場景的簡單方法。重要的是，這種方法不需要對具體場景建模，或者花大量時間對內(nèi)容標(biāo)注，一個模型就能應(yīng)用多個場景。它還學(xué)習(xí)了一種強大的神經(jīng)渲染器，能夠在任意角度生成精確的場景圖像。

不過，與一些傳統(tǒng)計算機視覺技術(shù)相比，這次所提出的方法仍然有很多限制，并且目前也都是在虛擬的合成場景上訓(xùn)練的。不過，隨著更多可用數(shù)據(jù)的出現(xiàn)以及硬件的提升，研究人員希望進(jìn)一步套索GQN的可能性，比如將它應(yīng)用到現(xiàn)實場景中，同時提高成像分辨率。未來，研究GQN對更廣泛的場景理解非常重要，例如加入時間的維度，讓它學(xué)習(xí)對場景和移動的理解，同時應(yīng)用到VR和AR技術(shù)中。盡管前路漫漫，這項工作對全自動場景辨別來說是重要一步。