谷歌近日推出了在計(jì)算機(jī)視覺領(lǐng)域模擬重建人類視覺的新模型，與以往方法不同的是，新模型利用AI，通過普通Youtube視頻預(yù)測深度圖，可以在場景內(nèi)的攝像頭和人同時(shí)運(yùn)動的復(fù)雜情況下生成自然視頻。

人類的視覺系統(tǒng)具有非凡的能力，可以從2D投影中理解3D世界。即使在包含多個(gè)移動物體的復(fù)雜環(huán)境中，人也能夠?qū)ξ矬w的幾何形狀和深度的排序進(jìn)行可行的解釋。長期以來，計(jì)算機(jī)視覺領(lǐng)域都在研究如何通過2D圖像數(shù)據(jù)計(jì)算重建場景的幾何特征，來實(shí)現(xiàn)和人類類似的能力，但在許多情況下，仍然難以實(shí)現(xiàn)具備充分魯棒性的重建。

當(dāng)攝像頭和場景中的物體都在自由移動時(shí)，是實(shí)現(xiàn)重建的最困難的情況。這種情況混淆了基于三角測量的傳統(tǒng)3D重建算法，該算法假設(shè)可以同時(shí)從至少兩個(gè)不同的觀察點(diǎn)觀察到相同的對象。滿足這個(gè)假設(shè)需要一個(gè)多攝像頭陣列，或者單攝像頭移動，但場景目標(biāo)本身是靜止?fàn)顟B(tài)。因此，現(xiàn)有的大多數(shù)方法要么需要過濾掉移動的目標(biāo)（將移動目標(biāo)的深度固定為“零”），要么直接忽略移動目標(biāo)（會導(dǎo)致深度值發(fā)生錯(cuò)誤）。

左圖：傳統(tǒng)的立體設(shè)置假設(shè)至少有兩個(gè)觀察點(diǎn)在同時(shí)捕捉場景。右圖：我們考慮攝像頭和拍攝對象都在移動的情況。

我們通過基于深度學(xué)習(xí)的方法來解決這個(gè)基本問題，該方法可以從普通視頻中生成深度圖，場景中的攝像頭和主體目標(biāo)都可以自由移動。模型從數(shù)據(jù)中學(xué)習(xí)人體姿勢和形狀的先驗(yàn)知識，無需直接3D三角測量。盡管最近使用機(jī)器學(xué)習(xí)進(jìn)行深度預(yù)測逐漸興起，但這項(xiàng)工作是第一個(gè)針對同時(shí)在攝像頭和目標(biāo)都在運(yùn)動的狀態(tài)下的基于學(xué)習(xí)的方法。

本研究中的觀察目標(biāo)是人類，人類是增強(qiáng)現(xiàn)實(shí)和3D視頻效果的有趣目標(biāo)。

我們的模型可以預(yù)測深度圖（右圖，離攝像頭越近，圖中越亮），場景中的人和攝像頭都在自由移動。

訓(xùn)練數(shù)據(jù)

我們以監(jiān)督學(xué)習(xí)的方式訓(xùn)練深度預(yù)測模型，該模型需要通過移動的攝像頭捕獲的自然場景視頻以及精確的深度圖。關(guān)鍵問題是從何處獲取此類數(shù)據(jù)。綜合生成數(shù)據(jù)需要對各種場景和自然人類行為進(jìn)行逼真的建模和渲染，這是很困難的任務(wù)。

此外，針對這樣的數(shù)據(jù)訓(xùn)練的模型可能難以推廣到真實(shí)場景中。另一種方法可能是用RGBD傳感器（如微軟的Kinect）記錄真實(shí)場景，但深度傳感器通常僅限于室內(nèi)環(huán)境，而且要面臨3D重建上的一系列問題。

我們利用現(xiàn)有的數(shù)據(jù)來進(jìn)行監(jiān)督學(xué)習(xí)：即YouTube視頻，視頻中的人們通過自己定格在各種自然姿勢，模仿人體模特效果，而手持?jǐn)z像機(jī)則在現(xiàn)場記錄。

因?yàn)檎麄€(gè)場景是靜止的（只有攝像機(jī)在移動），所以基于三角測量的方法是行得通的，可以獲得包括其中人物在內(nèi)的整個(gè)場景的精確深度圖。我們收集了大約2000個(gè)這樣的視頻，涵蓋了各種逼真的場景，場景中的人按照不同的分組配置自然分布。

人們在攝像頭在場景中移動時(shí)模仿人體模特，我們將其作為訓(xùn)練數(shù)據(jù)。我們使用傳統(tǒng)的MVS算法來估計(jì)深度，并在深度預(yù)測模型的訓(xùn)練中將其用于監(jiān)督。

推斷移動中的人的場景深度

Mannequin挑戰(zhàn)視頻對移動中的攝像機(jī)和“定格”的人進(jìn)行深度監(jiān)控，但我們的目標(biāo)是利用移動的攝像頭和移動的人來處理視頻。我們需要構(gòu)建網(wǎng)絡(luò)輸入來彌補(bǔ)這一差距。

一種可能的方法是為視頻的每一幀都進(jìn)行深度圖推斷（也就是對模型的輸入相當(dāng)于單幀圖像）。雖然這種模型改進(jìn)了用于深度預(yù)測的最先進(jìn)的單幀方法，但是我們可以通過來自多幀的信息組合來進(jìn)一步改善結(jié)果。比如運(yùn)動視差，即兩個(gè)不同視點(diǎn)之間的靜態(tài)物體的明顯的相對運(yùn)動，就對深度推斷提供了有力線索。為了充分利用這些信息，我們計(jì)算了視頻中每個(gè)輸入幀和另一幀之間的2D光流，用它表示兩幀之間的像素位移。

這些光流場取決于場景的深度和攝像頭的相對位置。但是，由于攝像頭位置是已知的，可以從流場中去除二者之間的依賴關(guān)系，由此生成初始深度圖。此初始深度僅對靜態(tài)場景區(qū)域有效。為了在測試時(shí)處理運(yùn)動中的人，可以利用人工分割網(wǎng)絡(luò)來蓋住初始深度圖中的人類區(qū)域。這樣，我們網(wǎng)絡(luò)的完整輸入包括：RGB圖像、蓋住人類的區(qū)域，以及基于視差的遮蓋后的深度圖。

深度預(yù)測網(wǎng)絡(luò)：模型的輸入包括RGB圖像（第t幀），人類區(qū)域的遮蓋和非人類區(qū)域的初始深度，根據(jù)輸入幀與另一個(gè)之間的運(yùn)動視差（光流）計(jì)算視頻中的幀。模型輸出第t幀的完整深度圖。由MVS算法計(jì)算出的深度圖負(fù)責(zé)對訓(xùn)練過程的監(jiān)督。

該網(wǎng)絡(luò)的作用是“修復(fù)”人與場景的深度值，并在其他地方細(xì)化深度值。因?yàn)槿祟惖耐庑魏痛笮√卣鲙缀跻恢?，網(wǎng)絡(luò)可以通過觀察多個(gè)訓(xùn)練樣例，在模型內(nèi)部學(xué)習(xí)這些先驗(yàn)知識。經(jīng)過訓(xùn)練后，模型就可以處理任意攝像頭和人體同時(shí)運(yùn)動的視頻。

以下是基于視頻的深度預(yù)測模型結(jié)果的一些示例，并與最近基于最新學(xué)習(xí)的方法做了比較。

上圖：基于學(xué)習(xí)的單眼深度預(yù)測方法。 下圖：基于學(xué)習(xí)的立體方法（DeMoN）和我們的估計(jì)深度圖的結(jié)果。

使用深度圖處理3D視頻效果

我們預(yù)測的深度圖可用于產(chǎn)生一系列3D感知視頻效

使用估計(jì)深度圖產(chǎn)生的散景效果

我們的深度圖也可用于其他方面的應(yīng)用，包括利用單眼視頻生成立體視頻，將合成CG對象插入場景，還可以在視頻的其他幀中顯示內(nèi)容的情況下進(jìn)行場景區(qū)域的填充。