用 AI 生成逼真三維物體模型并不像人們以為的那么困難。

近日，在 NeurIPS 2018 會議上接收的論文“視覺對象網(wǎng)絡(luò)：圖像生成與分離式的3D表示”中，麻省理工學(xué)院計算機(jī)科學(xué)與人工智能實驗室（MIT CSAIL）和 Google 的研究人員介紹了能創(chuàng)造出有逼真紋理和形狀的一個生成式 AI 系統(tǒng)。

該系統(tǒng)是視覺對象網(wǎng)絡(luò)（VON）系統(tǒng)，不僅可以生成比某些最先進(jìn)的方法更真實的圖像，還可以進(jìn)行形狀和紋理編輯、視點轉(zhuǎn)換以及其他三維調(diào)整。

“現(xiàn)代深層生成模型學(xué)會了合成逼真的圖像，”研究人員寫道，“但大多數(shù)計算模型只專注于生成 2D 圖像，而忽略了 3D 世界的美好......這種視角不可避免地限制了它們在許多領(lǐng)域的實際應(yīng)用，例如合成數(shù)據(jù)生成、機(jī)器人學(xué)習(xí)、虛擬現(xiàn)實和游戲行業(yè)。”

視覺對象網(wǎng)絡(luò)系統(tǒng)則可以通過合成三維形狀和二維圖像來解決這個問題，類似于研究人員所稱的“分離式的對象表示”。圖像生成模型被分解為三種因素：形狀、視點和紋理，另外，在計算“2.5 D”草圖和添加紋理之前，它需要學(xué)習(xí)合成三維形狀。

重要的是，由于這三個因素是條件獨立的，所以模型不需要二維和三維形狀之間的配對數(shù)據(jù)。這使得團(tuán)隊能夠在大規(guī)模的二維圖像和三維形狀集上進(jìn)行訓(xùn)練，如 Pix3D，Google 圖像搜索和ShapeNet，后者包含 55 個對象類別的數(shù)千個 CAD 模型。

為了讓 VON 系統(tǒng)學(xué)習(xí)如何生成自己的形狀，該團(tuán)隊在上述三維形狀數(shù)據(jù)集上訓(xùn)練了一個生成式對抗網(wǎng)絡(luò)（GAN） 。而紋理生成被歸類了到另一個基于 GAN 的神經(jīng)網(wǎng)絡(luò)。

經(jīng)過大約兩到三天的訓(xùn)練，AI 系統(tǒng)始終如一地生成了令人信服的 128 x 128 x 128 模型，具有優(yōu)異的反射率、環(huán)境照明和反照率（一種漫射光的度量）。

為了評估圖像生成模型，團(tuán)隊計算了用于生成三維模型的 Fréchet Inception Distance（弗雷歇初始距離，F(xiàn)ID）——一種與人類感知相關(guān)的度量。此外，他們還向亞馬遜 Mechanical Turk 上的五名測試者展示了由 VON 和其他最先進(jìn)模型生成的 200 對圖像，這些受試者需要在這些圖像中選擇更真實的結(jié)果。

VON 的表現(xiàn)非常出色。它與所有 AI 模型相比具有最低的 FID 值，并且 Mechanical Turk 的受訪者表示更喜歡 VON 生成的 74％ 到 85％的圖像。

研究人員未來將專注于從粗糙到精細(xì)化的建模，以產(chǎn)生更高分辨率的生成形狀和圖像，并將紋理分解為光照和外觀（lighting and appearance），并合成自然場景。

“我們的主要想法是將圖像生成過程分解為形狀、視點和紋理三種因素，”Google 團(tuán)隊寫道，“這種分離式 3D 表示使我們能夠在對抗學(xué)習(xí)框架下從 3D 和 2D 視覺數(shù)據(jù)集合中學(xué)習(xí)模型。與現(xiàn)有的 2D 生成模型相比，我們的模型合成了更逼真的圖像，它還可以做到以前的 2D 方法也無法實現(xiàn)的各種 3D 操作。”

近年來，GAN 的研究突飛猛進(jìn)，特別是在機(jī)器視覺領(lǐng)域。

Google 的 DeepMind 子公司在 10 月推出了一個基于 GAN 的系統(tǒng)，以此創(chuàng)建出令人信服的食物、風(fēng)景、肖像和動物照片。9 月，Nvidia 的研究人員開發(fā)了一種 AI 模型，可以生成腦癌的合成掃描圖像，8 月，卡內(nèi)基梅隆大學(xué)的一個團(tuán)隊演示了 AI 可以將人們已存的動作和面部表情轉(zhuǎn)換成另一張照片或視頻中的目標(biāo)對象。最近，愛丁堡大學(xué)感知研究所和天文學(xué)研究所的科學(xué)家設(shè)計了一種至少可以產(chǎn)生高分辨率星系圖像的 GAN。