量子位 | "大众年夜众号 QbitAI
站在门口看一眼，AI就能脑补出房间里面长什么样：
是不是有线上VR看房那味儿了？
不但是室内效果，来个远景长镜头航拍也是so easy：
而且渲染出的图像通通都是高保真效果，仿佛是用原形机拍出来的一样。
最近一段韶光，用2D图片合成3D场景的研究火了一波又一波。
但是过去的许多研究，合成场景每每都局限在一个范围比较小的空间里。
比如此前大火的NeRF，效果便是环绕画面主体展开。
这一次的新进展，则是将视角进一步延伸，更侧重让AI预测出远间隔的画面。
比如给出一个房间门口，它就能合成穿过门、走过走廊后的场景了。
目前，该研究的干系论文已被CVPR2022吸收。
输入单张画面和相机轨迹让AI根据一个画面，就推测出后面的内容，这个觉得是不是和让AI写文章有点类似？
实际上，研究职员这次用到的正是NLP领域常用的Transformer。
他们利用自回归Transformer的方法，通过输入单个场景图像和摄像机运动轨迹，让天生的每帧画面与运动轨迹位置逐一对应，从而合成出一个远间隔的长镜头效果。
全体过程可以分为两个阶段。
第一阶段先预演习了一个VQ-GAN，可以把输入图像映射到token上。VQ-GAN是一个基于Transformer的图像天生模型，其最大特点便是天生的图像非常高清。
在这部分，编码器会将图像编码为离散表示，解码器将表示映射为高保真输出。
第二阶段，在将图像处理成token后，研究职员用了类似GPT的架构来做自回归。详细演习过程中，要将输入图像和起始相机轨迹位置编码为特定模态的token，同时添加一个解耦的位置输入P.E.。
然后，token被喂给自回归Transformer来预测图像。
模型从输入的单个图像开始推理，并通过预测前后帧来不断增加输入。
研究职员创造，并非每个轨迹时候天生的帧都同样主要。因此，他们还利用了一个局部性约束来勾引模型更专注于关键帧的输出。
这个局部性约束是通过摄像机轨迹来引入的。
基于两帧画面所对应的摄像机轨迹位置，研究职员可以定位重叠帧，并能确定下一帧在哪。
为了却合以上内容，他们利用MLP打算了一个“相机感知偏差”。
这种方法会使得在优化时更加随意马虎，而且对担保天生画面的同等性上，起到了至关主要的浸染。
实验结果本项研究在RealEstate10K、Matterport3D数据集上进行实验。
结果显示，相较于不规定相机轨迹的模型，该方法天生图像的质量更好。
与离散相机轨迹的方法比较，该方法的效果也明显更好。
作者还对模型的把稳力情形进行了可视化剖析。
结果显示，运动轨迹位置附近贡献的把稳力更多。
在溶解实验上，结果显示该方法在Matterport3D数据集上，相机感知偏差和解耦位置的嵌入，都对提高图像质量和帧与帧之间的同等性有所帮助。
两位作者均是华人
Xuanchi Ren为喷鼻香港科技大学本科生。
他曾在微软亚研院演习过，2021年暑期与Xiaolong Wang教授有过互助。
Xiaolong Wang是加州大学圣地亚哥分校助理教授。
他博士毕业于卡内基梅隆大学机器人专业。
研究兴趣有打算机视觉、机器学习和机器人等。特殊自我监督学习、视频理解、知识推理、强化学习和机器人技能等领域。
论文地址：https://xrenaa.github.io/look-outside-room/
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态