Facebook最新AI技術(shù)將強(qiáng)化理解真實(shí)世界3D對(duì)象

為了解釋周圍的世界，AI系統(tǒng)必須理解三維視覺場景。這種需求不僅只局限于機(jī)器人技術(shù)，同時(shí)包括導(dǎo)航，甚至是增強(qiáng)現(xiàn)實(shí)應(yīng)用。即便是2D照片與視頻，所描繪的場景和對(duì)象本身都屬于三維。真正智能的內(nèi)容理解系統(tǒng)必須能夠視頻中識(shí)別出杯子旋轉(zhuǎn)時(shí)的把手幾何形狀，或者識(shí)別出對(duì)象是位于照片的前景還是背景。

日前，F(xiàn)acebook公布了多項(xiàng)能夠推進(jìn)3D圖像理解的AI研究項(xiàng)目。雖然不盡相同，但互為補(bǔ)充。正在國際計(jì)算機(jī)視覺大會(huì)（International Conference on Computer Vision）進(jìn)行演示的項(xiàng)目涉及一系列的用例和情形，包含不同種類的訓(xùn)練數(shù)據(jù)和輸入。

Mesh R-CNN是一種新穎的，先進(jìn)的解決方案，可以通過各種現(xiàn)實(shí)世界2D圖像預(yù)計(jì)最精確的3D形狀。這個(gè)方法利用了Facebook的Mask R-CNN框架進(jìn)行對(duì)象實(shí)例分割，其甚至可以檢測諸如凳腳或重疊家具等復(fù)雜對(duì)象。

Facebook指出，通過利用Mesh R-CNN的替代和補(bǔ)充方法C3DPO，他們是第一個(gè)通過解釋3D幾何形狀而在三個(gè)基準(zhǔn)上成功實(shí)現(xiàn)非剛性形狀的大規(guī)模3D重建，對(duì)象類別涉及14種以上。需要注意的是，團(tuán)隊(duì)僅使用2D關(guān)鍵點(diǎn)來實(shí)現(xiàn)這一目標(biāo)，零3D注釋。

Facebook提出了一種新穎的方法來學(xué)習(xí)圖像與3D形狀之間的關(guān)聯(lián)，同時(shí)大大減少了對(duì)含注釋訓(xùn)練示例的需求。這使得團(tuán)隊(duì)更接近于開發(fā)出能夠?yàn)楦喾N類對(duì)象創(chuàng)建3D表示的自我監(jiān)督系統(tǒng)。

Facebook團(tuán)隊(duì)同時(shí)開發(fā)了一種稱為VoteNet的新穎技術(shù)，其可以利用LIDAR或其他傳感器的3D輸入執(zhí)行對(duì)象檢測。盡管大多數(shù)傳統(tǒng)系統(tǒng)都依靠2D圖像信號(hào)，但這個(gè)系統(tǒng)完全基于3D點(diǎn)云。與以前的研究相比，它可以實(shí)現(xiàn)更高的精度。

這項(xiàng)研究的基礎(chǔ)包括：利用深度學(xué)習(xí)來預(yù)測和定位圖像中對(duì)象的最新進(jìn)步，以及用于3D形狀理解的全新工具和架構(gòu)（如體素，點(diǎn)云和網(wǎng)格）。計(jì)算機(jī)視覺領(lǐng)域已經(jīng)擴(kuò)展到各種各樣的任務(wù)，但3D理解將在支持AI系統(tǒng)進(jìn)一步理解現(xiàn)實(shí)世界和執(zhí)行相關(guān)任務(wù)方面發(fā)揮核心作用。

1. 以高精度預(yù)測非約束遮擋對(duì)象的3D形狀

諸如Mask R-CNN這樣的感知系統(tǒng)是理解圖像的強(qiáng)大通用工具。但由于它們是根據(jù)2D數(shù)據(jù)進(jìn)行預(yù)測，所以其忽略了世界的3D結(jié)構(gòu)。利用2D感知技術(shù)的進(jìn)步，F(xiàn)acebook設(shè)計(jì)了一種3D對(duì)象重建模型，可以根據(jù)非約束的真實(shí)世界圖像預(yù)測3D對(duì)象形狀，包含具有一系列光學(xué)挑戰(zhàn)的圖像（如具有遮擋，雜波和各種拓?fù)涞膶?duì)象）。將第三維帶到對(duì)象檢測系統(tǒng)，同時(shí)實(shí)現(xiàn)對(duì)復(fù)雜情況的穩(wěn)定增加工作，這要求更為強(qiáng)大的工程能力，而當(dāng)下的工程架構(gòu)阻礙了所述領(lǐng)域的發(fā)展。

Mesh R-CNN根據(jù)輸入圖像預(yù)測里面的對(duì)象實(shí)例，并推斷其3D形狀。為了捕獲幾何形狀和拓?fù)涞亩鄻有?，它首先預(yù)測粗略體素，將其精化并進(jìn)行精確的網(wǎng)格預(yù)測。

為了應(yīng)對(duì)挑戰(zhàn)，F(xiàn)aceboook團(tuán)隊(duì)通過網(wǎng)格預(yù)測分支增強(qiáng)了Mask R-CNN的2D對(duì)象分割系統(tǒng)，并構(gòu)建了Torch3d（Pytorch庫，其中包含高度優(yōu)化的3D運(yùn)算符）以實(shí)現(xiàn)所述系統(tǒng)。Mesh R-CNN利用Mask R-CNN來檢測和分類圖像中的各種對(duì)象。然后，它使用新穎的網(wǎng)格預(yù)測器來推斷3D形狀（所述預(yù)測器由體素預(yù)測和網(wǎng)格細(xì)化的混合方法組成）。在預(yù)測精細(xì)3D結(jié)構(gòu)方面，這個(gè)兩步過程實(shí)現(xiàn)了比以前更高的精度。通過支持復(fù)雜操作的高效，靈活和模塊化實(shí)現(xiàn)，Torch3d能夠幫助實(shí)現(xiàn)這一點(diǎn)。

他們利用Detectron2來實(shí)現(xiàn)最終的系統(tǒng)，其使用RGB圖像作為輸入并同時(shí)檢測物體和預(yù)測3D形狀。與Mask R-CNN使用監(jiān)督學(xué)習(xí)來實(shí)現(xiàn)強(qiáng)大的2D感知類似，F(xiàn)acebook的新穎方法使用完全監(jiān)督學(xué)習(xí)（成對(duì)的圖像和網(wǎng)格）來學(xué)習(xí)3D預(yù)測。為了進(jìn)行訓(xùn)練，團(tuán)隊(duì)使用了由10000對(duì)圖像和網(wǎng)格組成的Pix3D數(shù)據(jù)集，而這比通常包含數(shù)十萬個(gè)圖像與對(duì)象注釋的2D基準(zhǔn)要小得多。

Facebook用兩組數(shù)據(jù)集評(píng)估了Mesh R-CNN，而他們均取得了亮眼的結(jié)果。對(duì)于Pix3D數(shù)據(jù)集，Mesh R-CNN是第一個(gè)能夠同時(shí)檢測所有類別對(duì)象，并在各種雜亂無章的家具場景中預(yù)計(jì)完整3D形狀的系統(tǒng)。先前的工作重點(diǎn)是在完美裁剪的，無遮擋的圖像中評(píng)估模型。對(duì)于ShapeNet數(shù)據(jù)集，體素預(yù)測和網(wǎng)格細(xì)化的混合方法的表現(xiàn)要比先前的研究提升7％。

Mesh R-CNN的系統(tǒng)綜述，F(xiàn)acebook用3D形狀推斷強(qiáng)化了Mask R-CNN

精確預(yù)測和重建非約束場景形狀是邁向增強(qiáng)虛擬現(xiàn)實(shí)和其他新型體驗(yàn)的重要一步。盡管如此，與為2D圖像收集注釋數(shù)據(jù)相比，為3D圖像收集注釋數(shù)據(jù)要更加復(fù)雜和耗時(shí)，所以3D形狀預(yù)測的數(shù)據(jù)集發(fā)展相對(duì)滯后。所以，F(xiàn)acebook正在探索不同的方法來利用監(jiān)督學(xué)習(xí)和自我監(jiān)督學(xué)習(xí)來重建3D對(duì)象。

相關(guān)論文：Mesh R-CNN完整論文

2. 用2D關(guān)鍵點(diǎn)重建3D對(duì)象類別

對(duì)于無法利用網(wǎng)格對(duì)象和相應(yīng)圖像進(jìn)行訓(xùn)練，而且無需完全重建靜態(tài)對(duì)象或場景的情況，F(xiàn)acebook開發(fā)了一種替代方法。全新的C3DPO（Canonical 3D Pose Networks）系統(tǒng)可以對(duì)3的D關(guān)鍵點(diǎn)模型進(jìn)行重建，并通過更廣泛的2D關(guān)鍵點(diǎn)監(jiān)督來實(shí)現(xiàn)先進(jìn)的重建結(jié)果。C3DPO能夠以適合大規(guī)模部署的方式來幫助你理解對(duì)象的3D幾何形狀。

C3DPO根據(jù)檢測到的2D關(guān)鍵點(diǎn)來為一系列對(duì)象類別生成3D關(guān)鍵點(diǎn)，能夠精確區(qū)分視點(diǎn)變化和形狀變形。

追蹤對(duì)象類別特定部分（如人體關(guān)節(jié)或小鳥翅膀）的2D關(guān)鍵點(diǎn)提供了有關(guān)對(duì)象幾何形狀及其形狀變形或視點(diǎn)變化的完整線索。生成的3D關(guān)鍵點(diǎn)十分有用，如用于3D面容和全身網(wǎng)格的建模，從而為VR構(gòu)建更逼真的虛擬化身圖形。與Mesh R-CNN相似，C3DPO使用非約束圖像來重建3D對(duì)象。

C3DPO是第一種能夠用數(shù)千個(gè)2D關(guān)鍵點(diǎn)來重建包含數(shù)十萬個(gè)圖像的數(shù)據(jù)集的方法。Facebook針對(duì)三種不同的數(shù)據(jù)集，14種以上不同的非剛性對(duì)象類別實(shí)現(xiàn)了先進(jìn)的重建精度。相關(guān)代碼已經(jīng)托管至GitHub 。

Facebook的模型包含兩個(gè)重要的創(chuàng)新。首先，給定一組單目2D關(guān)鍵點(diǎn)，這個(gè)全新的3D重建網(wǎng)絡(luò)將預(yù)測相應(yīng)camera視點(diǎn)的參數(shù)以及3D關(guān)鍵點(diǎn)位置。其次，F(xiàn)acebook提出了一種名為Canonicalization的新穎正準(zhǔn)化技術(shù)（其包括一個(gè)第二輔助深度網(wǎng)絡(luò)）。所述技術(shù)解決了因分解3D視點(diǎn)和形狀而帶來的歧義。這兩項(xiàng)創(chuàng)新使得Facebook團(tuán)隊(duì)能夠?qū)崿F(xiàn)比傳統(tǒng)方法更優(yōu)秀的統(tǒng)計(jì)模型。

原來無法實(shí)現(xiàn)這種重建，這主要是因?yàn)橐郧盎诰仃嚪纸獾姆椒ǖ拇鎯?chǔ)限制。與Facebook的深度網(wǎng)絡(luò)不同，所述方法不能在“小批量”狀態(tài)下運(yùn)行。以前的方法通過利用多個(gè)同時(shí)出現(xiàn)的圖像，并建立瞬時(shí)3D重建之間的對(duì)應(yīng)關(guān)系來解決變形建模問題，而這需要特殊實(shí)驗(yàn)室中專門研發(fā)的硬件。C3DPO帶來的高效率使得在不使用硬件進(jìn)行3D捕捉的情況下實(shí)現(xiàn)3D重建成為可能。

相關(guān)論文：C3DPO的完整論文。

3. 從圖像采集中學(xué)習(xí)像素到表面映射

Facebook的系統(tǒng)學(xué)習(xí)了一個(gè)參數(shù)化卷積神經(jīng)網(wǎng)絡(luò)（CNN），它將圖像作為輸入并預(yù)測每個(gè)像素的正準(zhǔn)表面映射，其可以說明模板形狀的相應(yīng)位置點(diǎn)。2D圖像和3D形狀之間的正準(zhǔn)表面映射的相似著色暗示了對(duì)應(yīng)關(guān)系。

Facebook進(jìn)一步減少了開發(fā)通用對(duì)象類別3D理解所需的監(jiān)督程度。他們介紹了一種可以通過近似自動(dòng)實(shí)例分割來利用未注釋圖像集合的方法。Facebook沒有明確預(yù)測圖像的基礎(chǔ)3D結(jié)構(gòu)，而是解決了將圖像像素映射到3D形狀類別模板表面的補(bǔ)充任務(wù)。

這種映射不僅允許團(tuán)隊(duì)能夠在3D形狀類別的背景下理解圖像，而且可以歸納相同類別對(duì)象之間的對(duì)應(yīng)關(guān)系。例如，對(duì)于你在左側(cè)圖像中看到的高亮鳥喙，F(xiàn)acebook可以輕松地在右側(cè)圖像定位相應(yīng)的點(diǎn)。

這可以實(shí)現(xiàn)的原因是，F(xiàn)acebook能夠直觀地理解實(shí)例之間的共同3D結(jié)構(gòu)。將圖像像素映射到正準(zhǔn)3D表面的新穎方法同時(shí)為Facebook的學(xué)習(xí)系統(tǒng)帶來了這項(xiàng)功能。當(dāng)評(píng)估所述方法在各個(gè)實(shí)例之間傳輸對(duì)應(yīng)關(guān)系的準(zhǔn)確性時(shí)，其結(jié)果比原來的自我監(jiān)督方法（不利用任務(wù)的底層3D結(jié)構(gòu)）高出兩倍。

Facebook的關(guān)鍵見解是，像素到3D表面的映射可以與逆操作（從3D到像素）配對(duì)，從而完成一個(gè)循環(huán)。Facebook團(tuán)隊(duì)的新穎方法可實(shí)現(xiàn)這個(gè)目的，并且可以利用檢測方法的近似分割和無注釋的，免費(fèi)的，公開可用的圖像集進(jìn)行學(xué)習(xí)。Facebook的系統(tǒng)可以直接使用，并與其他自上而下的3D預(yù)測方法結(jié)合，從而提供對(duì)像素級(jí)3D的補(bǔ)充理解。相關(guān)代碼已經(jīng)托管至GitHub 。

如視頻中汽車顏色一致性所表明，F(xiàn)acebook的系統(tǒng)為運(yùn)動(dòng)和旋轉(zhuǎn)對(duì)象產(chǎn)生了不變的像素嵌入。這種一致性超出了特定的實(shí)例，并且在需要理解對(duì)象之間共性的情況下十分有用。

Facebook不是直接學(xué)習(xí)兩個(gè)圖像之間的2D到2D對(duì)應(yīng)關(guān)系，而是學(xué)習(xí)2D到3D對(duì)應(yīng)關(guān)系，并確保與3D到2D重投影的一致性。這種一致循環(huán)可用作學(xué)習(xí)2D到3D對(duì)應(yīng)關(guān)系的監(jiān)督信號(hào)。

例如，如果要訓(xùn)練系統(tǒng)學(xué)習(xí)椅子就座的正確位置或茶杯握持的正確位置，當(dāng)系統(tǒng)下次需要理解如何就座另一張椅子或如何握持另一個(gè)茶杯時(shí)，這種表示就十分有用。這種任務(wù)不僅可以幫助你加深對(duì)傳統(tǒng)2D圖像與視頻內(nèi)容的理解，同時(shí)可以通過轉(zhuǎn)移對(duì)象表示來增強(qiáng)AR/VR體驗(yàn)。

相關(guān)論文：正準(zhǔn)表面映射論文

4. 提升當(dāng)前3D系統(tǒng)的對(duì)象檢測基礎(chǔ)

隨著自動(dòng)代理和3D空間掃描系統(tǒng)等尖端技術(shù)的不斷發(fā)展，我們需要推動(dòng)對(duì)象檢測機(jī)制的進(jìn)步。在這些情況下，3D場景理解系統(tǒng)需要知道場景中存在什么對(duì)象以及它們的位置，從而支持諸如導(dǎo)航之類的高級(jí)任務(wù)。Facebook通過VoteNet改進(jìn)了現(xiàn)有系統(tǒng)。VoteNet是為點(diǎn)云量身定制的高精確端到端3D對(duì)象檢測網(wǎng)絡(luò)，而它同時(shí)獲得了ICCV 2019大會(huì)的最佳論文提名。與傳統(tǒng)系統(tǒng)不同，VoteNet依賴于2D圖像信號(hào)，而這是首批完全基于3D點(diǎn)云的系統(tǒng)之一。與以前的研究相比，這種方法效率更高，識(shí)別精度更高。

Facebook的模型已經(jīng)開源。據(jù)介紹，NoteNet實(shí)現(xiàn)了最先進(jìn)的3D檢測，其性能比原來所有的3D對(duì)象檢測方法都要優(yōu)秀，比SUN RGB-D和ScanNet中至少增加了3.7和18.4 mAP（平均精度）。VoteNet僅使用幾何信息，不依賴標(biāo)準(zhǔn)的彩色圖像，其性能優(yōu)于以前的方法。

VoteNet具有簡單的設(shè)計(jì)，緊湊的模型尺寸，能夠?qū)崿F(xiàn)高效率，全場景的速度約為100毫秒，而且內(nèi)存占用空間較小。Facebook的算法從深度攝像頭獲取3D點(diǎn)云，并返回對(duì)象的3D邊界框，包含語義類。

VoteNet架構(gòu)的示例圖

Facebook提出了受經(jīng)典Hough投票算法啟發(fā)的投票機(jī)制。使用這種方法，F(xiàn)acebook的系統(tǒng)能夠生成位于對(duì)象中心附近的新點(diǎn)，然后可以將它們進(jìn)行分組和匯總。利用投票（由深度神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)）的基本概念，可以將一組3D種子點(diǎn)投票給對(duì)象中心，從而恢復(fù)它們的位置和狀態(tài)。

從自動(dòng)駕駛汽車到生物醫(yī)學(xué)，隨著3D掃描儀的使用情況正在日益增多，通過對(duì)3D場景的對(duì)象進(jìn)行定位和分類來實(shí)現(xiàn)對(duì)3D內(nèi)容的語義理解非常重要。通過為2D攝像頭補(bǔ)充更先進(jìn)的深度攝像頭傳感器以進(jìn)行3D識(shí)別，F(xiàn)acebook團(tuán)隊(duì)能夠捕獲任何給定場景的強(qiáng)大視圖。借助VoteNet，系統(tǒng)可以更好地識(shí)別場景中的主要對(duì)象，并支持諸如放置虛擬對(duì)象，導(dǎo)航或LiveMap構(gòu)建等任務(wù)。

5. 開發(fā)對(duì)真實(shí)世界有著進(jìn)一步理解的系統(tǒng)

3D計(jì)算機(jī)視覺存在大量的開放性研究問題，而Facebook正在嘗試通過多種問題假設(shè)，技術(shù)和監(jiān)督方法來推動(dòng)所述領(lǐng)域的進(jìn)步。隨著數(shù)字世界的不斷發(fā)展，3D照片和AR和VR體驗(yàn)等新型產(chǎn)品的興起，我們需要不斷開發(fā)出更為智能的系統(tǒng)來更準(zhǔn)確理解視覺場景中的對(duì)象，并支持與其交互。

這是Facebook AI團(tuán)隊(duì)的長期愿景，亦即開發(fā)出一個(gè)能如同人類般理解世界并與之交互的AI系統(tǒng)。他們表示：“我們一直在致力于縮小物理空間與虛擬空間之間的差距，并實(shí)現(xiàn)各個(gè)方面的科學(xué)突破。我們以3D為重點(diǎn)的最新研究同時(shí)可以幫助改善和更好地補(bǔ)充Facebook AI仿真平臺(tái)中的3D對(duì)象推動(dòng)我們應(yīng)對(duì)在現(xiàn)實(shí)世界中進(jìn)行實(shí)驗(yàn)所面臨的復(fù)雜挑戰(zhàn)一樣，3D研究對(duì)于訓(xùn)練系統(tǒng)如何理解對(duì)象的所有視點(diǎn)（即使被遮擋或其他光學(xué)挑戰(zhàn)）同樣很重要?！?/p>

Facebook團(tuán)隊(duì)最后指出：“當(dāng)結(jié)合諸如觸覺感知和自然語言理解等技術(shù)時(shí)，諸如虛擬助手這樣的AI系統(tǒng)可以以更加無縫和有用的方式運(yùn)行。總而言之，對(duì)于我們要構(gòu)建出能夠如同人類般理解三個(gè)維度的AI系統(tǒng)，這種前沿研究正在幫助我們朝目標(biāo)不斷邁進(jìn)?！?/p>