谷歌正式推出ARCore 1.7版本，為其添加了前置攝像頭AR自拍能力以及動畫效果支持

ARCore 是谷歌于去年 2 月份正式推出的 增強現(xiàn)實（AR）軟件開發(fā)工具包，給開發(fā)者提供了一個開發(fā) AR APP 的平臺。不到一個月前，谷歌正式推出ARCore 1.7 版本，為其添加了前置攝像頭 AR 自拍能力以及動畫效果支持；而日前，谷歌又為其引入了機器學習技術，使其實時自拍 AR 的逼真效果更進一步，該技術相關的文章發(fā)布在谷歌 AI 的官方博客上。

增強現(xiàn)實（AR）通過將數(shù)字內容與信息疊加到物質世界的真實場景中，來讓人類實現(xiàn)超越現(xiàn)實的感官體驗。例如，谷歌地圖的 AR 功能，能夠在現(xiàn)實場景中疊加方向信息來為你指路。借助于Pixel 相機中的 Playground 模式，你可以使用 AR 從不同的視角看世界。并且通過借助于最新發(fā)布的「YouTube Stories」以及ARCore 全新的面部增強（Augmented Faces）API，你可以在自拍上添加動畫面具、眼鏡、帽子、皮膚等特效。

實現(xiàn)這種 AR 功能的關鍵挑戰(zhàn)之一，就是以合適的方式將虛擬內容錨定到現(xiàn)實世界：這一過程需要一套能夠追蹤到每一次微笑、皺眉或假笑的高動態(tài)表面幾何結構的獨特的感知技術。

ARCore 的3D 網格以及它能實現(xiàn)的一些特效

為此，我們引入了機器學習（ML）技術來推斷近似的 3D 表面幾何結構，并且僅需要用到一個單攝像頭輸入而無需使用專用的深度傳感器。這種方法利用面向移動 CPU 界面推斷或其可用的全新移動 GPU 功能的TensorFlow Lite，實現(xiàn)了逼真的實時 AR 效果。與「 YouTube Stories」 全新的創(chuàng)作者特效所利用的技術一樣，這項技術已通過最新的 ARCore SDK和ML Kit Face Contour Detection API向廣泛的開發(fā)者社區(qū)開放。

用于自拍 AR 的機器學習工作流

我們的機器學習工作流由兩個協(xié)同工作的實時深度神經網絡模型組成：一個是探測器，它在整張圖像上運行并計算出面部位置；另一個是通用的 3D 網格模型，它在探測器計算出來的面部位置上運行，并通過回歸預測近似的表面幾何結構。精確地裁剪面部能夠極大地減少對一般的數(shù)據增強的要求，例如由旋轉、平移和比例變換組成的仿射變換（affine transformations）等，同時讓網絡將大部分性能投入于預測坐標來提高其準確性——這對于錨定合適的虛擬內容至關重要。

裁剪完所關注的位置后，該網格網絡一次僅應用于一個單幀，并利用加窗平滑（windowed smoothing）來減少面部處于靜態(tài)時的噪音，同時避免在大幅移動期間出現(xiàn)的延遲。

針對 3D 網格，我們采用了遷移學習，并訓練了一個具有多個目標的網絡：該網絡能夠同時地基于合成、渲染的數(shù)據預測 3D 網格坐標以及基于類似于MLKit所提供的帶有注釋的、現(xiàn)實世界的數(shù)據預測 2D 語義輪廓。最終的網絡為我們提供了基于合成數(shù)據乃至現(xiàn)實世界數(shù)據的合理的 3D 網格預測。所有模型都在源自于地理學多樣化的數(shù)據集的數(shù)據上進行訓練，并接著在平衡、多樣化的測試集上進行定性和定量性能的測試。

3D 網格網絡接收經裁剪的視頻幀作為輸入。由于它不依賴于額外的深度輸入，因而也可以應用于預先錄制的視頻。該模型不僅輸出 3D 點的位置，還輸出在輸入中存在并合理對齊的面部概率。一種常見的替代方法就是為每個地標預測出 2D 熱圖，但這種方法并不適用于深度預測，并且對于如此多的數(shù)據點來說，使用這種方法耗費的計算成本非常高。

通過迭代自展和精煉預測，我們進一步提高了模型的準確性和魯棒性，同時也將數(shù)據集發(fā)展成為愈加具有挑戰(zhàn)性的實例，如鬼臉，拍攝角度傾斜以及面部遮擋等。此外，數(shù)據集增強技術也擴展了可用的 ground truth 數(shù)據，并開發(fā)出了對攝像頭瑕疵等人工產品問題或極端光照條件具有彈力的模型。

數(shù)據集擴展和改善路徑

專為硬件定制的界面

我們使用 TensorFlow Lite 進行設備內置的神經網絡推理。新推出的 GPU 后端加速能夠有效提升性能，并顯著降低功耗。此外，我們還設計了具有不同性能和效率特性的一系列模型架構，來覆蓋到更加廣泛的消費級硬件。較簡單網絡之間的最重要的區(qū)別就在于殘差塊（Residual Block）設計和可接受的輸入分辨率（最簡單模型中的輸入分辨率為 128×128 像素，而最復雜模型中的輸入分辨率為 256×256）。同時，我們還改變了層數(shù)以及子采樣率（輸入分辨率隨網絡深度的減少而減少的速度）。

每一幀的推斷時間：CPU vs. GPU

這一系列的優(yōu)化的結果就是：使用更簡單的模型帶來了實質性的加速，同時也將 AR 特效質量的降低幅度最小化。

這些成果最終則能夠通過以下方式，讓用戶在 YouTube、ARCore 以及其他客戶端體驗到更加逼真的自拍 AR 效果：

通過環(huán)境映射模擬光反射，來實現(xiàn)眼鏡的逼真渲染；

通過將虛擬的目標陰影投射到面部網格上，來實現(xiàn)了自然光照效果；

對面部遮擋進行建模，來隱藏面部后面的虛擬目標部分，如下所示的虛擬眼鏡案例。

另外，我們還通過以下方式實現(xiàn)了逼真的妝容效果：

對應用到嘴唇上的鏡面反射進行建模；

利用亮度感知材料來實現(xiàn)面部著色。

案例對比：5 個目標在不同光線下的真實化妝效果以及 AR 化妝效果

我們很高興將這項新技術分享給創(chuàng)作者、用戶以及開發(fā)者。感興趣的讀者可以通過下載最新的 ARCore SDK （下載地址：https://developers.googleblog.com/2019/02/new-ui-tools-and-richer-creative-canvas.html）來將這項技術用起來。未來，我們還計劃將這項技術廣泛應用到更多的谷歌產品線中。