只用一張圖+相機(jī)走位，AI就能腦補(bǔ)周圍環(huán)境，來自華人團(tuán)隊 | CVPR2022
AI看一眼門口，就能腦補(bǔ)出房間內(nèi)部畫面
明敏 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
站在門口看一眼，AI就能腦補(bǔ)出房間里面長什么樣：
是不是有線上VR看房那味兒了？
不只是室內(nèi)效果，來個遠(yuǎn)景長鏡頭航拍也是so easy：
而且渲染出的圖像通通都是高保真效果，仿佛是用真相機(jī)拍出來的一樣。
最近一段時間，用2D圖片合成3D場景的研究火了一波又一波。
但是過去的許多研究，合成場景往往都局限在一個范圍比較小的空間里。
比如此前大火的NeRF，效果就是圍繞畫面主體展開。
這一次的新進(jìn)展，則是將視角進(jìn)一步延伸，更側(cè)重讓AI預(yù)測出遠(yuǎn)距離的畫面。
比如給出一個房間門口，它就能合成穿過門、走過走廊后的場景了。
目前，該研究的相關(guān)論文已被CVPR2022接收。
輸入單張畫面和相機(jī)軌跡
讓AI根據(jù)一個畫面，就推測出后面的內(nèi)容，這個感覺是不是和讓AI寫文章有點類似？
實際上，研究人員這次用到的正是NLP領(lǐng)域常用的Transformer。
他們利用自回歸Transformer的方法，通過輸入單個場景圖像和攝像機(jī)運動軌跡，讓生成的每幀畫面與運動軌跡位置一一對應(yīng)，從而合成出一個遠(yuǎn)距離的長鏡頭效果。
整個過程可以分為兩個階段。
- 第一階段先預(yù)訓(xùn)練了一個VQ-GAN，可以把輸入圖像映射到token上。
VQ-GAN是一個基于Transformer的圖像生成模型，其最大特點就是生成的圖像非常高清。
在這部分，編碼器會將圖像編碼為離散表示，解碼器將表示映射為高保真輸出。
- 第二階段，在將圖像處理成token后，研究人員用了類似GPT的架構(gòu)來做自回歸。
具體訓(xùn)練過程中，要將輸入圖像和起始相機(jī)軌跡位置編碼為特定模態(tài)的token，同時添加一個解耦的位置輸入P.E.。
然后，token被喂給自回歸Transformer來預(yù)測圖像。
模型從輸入的單個圖像開始推理，并通過預(yù)測前后幀來不斷增加輸入。
研究人員發(fā)現(xiàn)，并非每個軌跡時刻生成的幀都同樣重要。因此，他們還利用了一個局部性約束來引導(dǎo)模型更專注于關(guān)鍵幀的輸出。
這個局部性約束是通過攝像機(jī)軌跡來引入的。
基于兩幀畫面所對應(yīng)的攝像機(jī)軌跡位置，研究人員可以定位重疊幀，并能確定下一幀在哪。
為了結(jié)合以上內(nèi)容，他們利用MLP計算了一個“相機(jī)感知偏差”。
這種方法會使得在優(yōu)化時更加容易，而且對保證生成畫面的一致性上，起到了至關(guān)重要的作用。
實驗結(jié)果
本項研究在RealEstate10K、Matterport3D數(shù)據(jù)集上進(jìn)行實驗。
結(jié)果顯示，相較于不規(guī)定相機(jī)軌跡的模型，該方法生成圖像的質(zhì)量更好。
與離散相機(jī)軌跡的方法相比，該方法的效果也明顯更好。
作者還對模型的注意力情況進(jìn)行了可視化分析。
結(jié)果顯示，運動軌跡位置附近貢獻(xiàn)的注意力更多。
在消融實驗上，結(jié)果顯示該方法在Matterport3D數(shù)據(jù)集上，相機(jī)感知偏差和解耦位置的嵌入，都對提高圖像質(zhì)量和幀與幀之間的一致性有所幫助。
兩位作者均是華人
Xuanchi Ren為香港科技大學(xué)本科生。
他曾在微軟亞研院實習(xí)過，2021年暑期與Xiaolong Wang教授有過合作。
Xiaolong Wang是加州大學(xué)圣地亞哥分校助理教授。
他博士畢業(yè)于卡內(nèi)基梅隆大學(xué)機(jī)器人專業(yè)。
研究興趣有計算機(jī)視覺、機(jī)器學(xué)習(xí)和機(jī)器人等。特別自我監(jiān)督學(xué)習(xí)、視頻理解、常識推理、強(qiáng)化學(xué)習(xí)和機(jī)器人技術(shù)等領(lǐng)域。
論文地址：
https://xrenaa.github.io/look-outside-room/
- 4o-mini華人領(lǐng)隊也離職了，這次不怪小扎2025-08-19
- 宇樹機(jī)器人“撞人逃逸”火到國外，王興興回應(yīng)：下次不遙控了2025-08-16
- 突破Claude-4編程上限！自進(jìn)化Agent框架拿下新SOTA，已開源2025-08-19
- 讓OpenAI只領(lǐng)先5天，百川發(fā)布推理新模型，掀翻醫(yī)療垂域開源天花板2025-08-11
相關(guān)閱讀
「進(jìn)階版」CS231n經(jīng)典計算機(jī)視覺課來啦！李飛飛弟子出品，深度學(xué)習(xí)入門必備
計算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域的經(jīng)典課程
給AI一張高清照片，分分鐘還你細(xì)節(jié)滿滿的3D人體模型，GitHub標(biāo)星3.6k | 在線可玩
網(wǎng)友們都玩出花兒了
