站在門口看一眼，AI 就能腦補(bǔ)出房間里面長(zhǎng)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(lái)個(gè)遠(yuǎn)景長(zhǎng)鏡頭航拍也是 so easy:

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(cè)出遠(yuǎn)距離的畫面。

比如給出一個(gè)房間門口，它就能合成穿過(guò)門，走過(guò)走廊后的場(chǎng)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(gè)畫面，就推測(cè)出后面的內(nèi)容，這個(gè)感覺(jué)是不是和讓 AI 寫文章有點(diǎn)類似實(shí)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(guò)輸入單個(gè)場(chǎng)景圖像和攝像機(jī)運(yùn)動(dòng)軌跡，讓生成的每幀畫面與運(yùn)動(dòng)軌跡位置一一對(duì)應(yīng)，從而合成出一個(gè)遠(yuǎn)距離的長(zhǎng)鏡頭效果

整個(gè)過(guò)程可以分為兩個(gè)階段。

第一階段先預(yù)訓(xùn)練了一個(gè) VQ—GAN，可以把輸入圖像映射到 token 上VQ—GAN 是一個(gè)基于 Transformer 的圖像生成模型，其最大特點(diǎn)就是生成的圖像非常高清在這部分，編碼器會(huì)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(lái)做自回歸具體訓(xùn)練過(guò)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(shí)添加一個(gè)解耦的位置輸入 P.E.然后，token 被喂給自回歸 Transformer 來(lái)預(yù)測(cè)圖像模型從輸入的單個(gè)圖像開(kāi)始推理，并通過(guò)預(yù)測(cè)前后幀來(lái)不斷增加輸入

研究人員發(fā)現(xiàn)，并非每個(gè)軌跡時(shí)刻生成的幀都同樣重要因此，他們還利用了一個(gè)局部性約束來(lái)引導(dǎo)模型更專注于關(guān)鍵幀的輸出這個(gè)局部性約束是通過(guò)攝像機(jī)軌跡來(lái)引入的基于兩幀畫面所對(duì)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(jì)算了一個(gè)相機(jī)感知偏差這種方法會(huì)使得在優(yōu)化時(shí)更加容易，而且對(duì)保證生成畫面的一致性上，起到了至關(guān)重要的作用

實(shí)驗(yàn)結(jié)果

本項(xiàng)研究在 RealEstate10K，Matterport3D 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)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。

在消融實(shí)驗(yàn)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(duì)提高圖像質(zhì)量和幀與幀之間的一致性有所幫助。

Xuanchi Ren 為香港科技大學(xué)本科生。

他曾在微軟亞研院實(shí)習(xí)過(guò)，2021 年暑期與 Xiaolong Wang 教授有過(guò)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(jì)算機(jī)視覺(jué)，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(shí)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: