Facebook 又出黑科技，手機照片一鍵切成 3D 大片

隨著科技的發展，現在人們可以隨時隨地用手機等裝置拍照記錄自己喜歡的瞬間。可能不少人都想過，假如出現一種黑科技，讓我們拍攝的平面 2D 照片變成立體的 3D 照片......

Facebook 也早就想到了這個問題。為改善使用者體驗，2018 年，Facebook 就推出了 3D 照片功能。這是一種全新的沉浸式格式，你可以用它與朋友、家人分享照片。但是，這項功能依賴於高階智慧手機才具備的雙鏡頭「肖像模式」功能，無法在尋常的移動裝置上使用。

為了讓更多人體驗到這種新的視覺格式，Facebook 利用機器學習開發了一個系統。這個系統可以推斷出任何影像的 3D 結構，任何裝置、任何時間拍攝的影像都可以被轉換成 3D 形式。這就可以讓人們輕鬆使用 3D 照片技術。

不僅如此，它還可以處理幾十年前的家庭照片和其它珍貴影像。任何擁有 iPhone7 及以上版本，或中端以上 Android 裝置的人，現在都可以在 Facebook 應用程式中嘗試這個功能。

估計 2D 影像不同區域的深度，以建立 3D 影像

構建這種增強的 3D 圖片需要克服不少技術挑戰，例如，要訓練一個能夠正確推斷各種主題 3D 位置的模型，並最佳化系統，使其能夠在 1 秒鐘內執行在典型的移動處理器裝置上。為了克服這些挑戰，Facebook 在數百萬公共 3D 影像及其附帶的深度圖上訓練了卷積神經網路（CNN），並利用 Facebook AI 之前開發的各種移動最佳化技術，如 FBNet 和 ChamNet。團隊最近也討論了 3D 理解的 相關研究。

現在，所有使用 Facebook 的人都可以使用這個功能，那麼，它究竟是如何構建的？我們可以一起來看看其中的技術細節。

小狗的原始照片是用單鏡頭相機拍攝的，沒有任何深度圖資料，系統將其轉換成了上圖顯示的 3D 影像

在移動裝置上提供高效效能

給定一個標準的 RGB 影像，3D Photos CNN（3D 照片卷積神經網路）可以估計每個畫素與攝像機的距離。研究人員透過四種方式實現了這一目標：

• 使用一組可引數化、可移動最佳化的神經構建塊構建網路架構；

• 自動化架構搜尋，以找到這些塊的有效配置，使系統能夠在不到 1 秒鐘的時間內在各種裝置上執行任務；

• 量化感知訓練，在移動裝置上利用高效能 INT8 量化，同時使量化過程中的效能下降最小化；

• 從公開的 3D 照片獲取大量的訓練資料。

神經構建塊

Facebook 的架構使用受 FBNet 的構建塊啟發。FBNet 是一個為移動裝置等資源受限的裝置最佳化 ConvNet 架構的框架。一個構建塊由逐點卷積（pointwise convolution）、可選的上取樣、kxk 深度卷積和附加的點逐點卷積組成。Facebook 實現了一個 U-net 風格的架構，該架構已被修改為沿著跳過連線放置 FBNet 構建塊。U-net 編碼器和解碼器各包含 5 個階段，每個階段對應不同的空間解析度。

網路架構概述：一個 U-net 沿著跳過的連線放置額外的宏級構建塊

自動化架構搜尋

為了找到一個有效的架構配置，Facebook AI 開發的 ChamNet 演算法自動完成搜尋過程。ChamNet 演算法不斷從搜尋空間中抽取點來訓練精度預測器。該精度預測器用於加速遺傳搜尋，以找到在滿足特定資源約束的情況下，使預測精度最大化的模型。

這個設定中使用了一個搜尋空間，它可以改變通道擴充套件因子和每個塊的輸出通道數，從而產生 3.4x1022 種可能的體系結構。然後，Facebook 使用 800 Tesla V100 GPU 在大約三天內完成搜尋，設定並調整模型架構上的 FLOP 約束，以實現不同的操作點。

量化感知訓練

預設情況下，其模型使用單精度浮點權值和啟用進行訓練，但研究人員發現，將權值和啟用量化為 8 位具有顯著的優勢。尤其是，int8 權重只需要 float32 權重所需儲存量的四分之一，從而減少首次使用時必須傳輸到裝置的位元組數。

每幅影像都是從一個規則的 2D 影像開始，然後用深度估計神經網路轉換成 3D 影像

與基於 float32 的運算子相比，基於 Int8 的運算子的吞吐量也要高得多，這要歸功於 Facebook AI 的 QNNPACK 等經過最佳化的庫，後者已經整合到 PyTorch 中。我們使用量化感知訓練（QAT）來避免量化導致的質量下降。QAT 現在是 PyTorch 的一部分，它在訓練期間模擬量化並支援反向傳播，從而消除了訓練和生產效能之間的差距。

神經網路處理各種內容，包括繪畫和複雜場景的影像

尋找創造 3D 體驗的新方法

除了改進深度估計演算法之外，研究人員還致力於為移動裝置拍攝的影片提供高質量的深度估計。

由於每個幀的深度必須與下一幀一致，影片處理技術具有一定挑戰性，但它也是一個提高效能的機會。對同一物體進行多次觀測，可以為高精度的深度估計提供額外的訊號。隨著 Facebook 神經網路效能的不斷提高，團隊還將探索在實時應用（如擴增實境）中利用深度估計、曲面法向估計和空間推理等技術。

除了這些潛在的新經驗，這項工作將幫助研究人員更好地理解 2D 影像的內容。更好地理解 3D 場景還可以幫助機器人導航以及與物理世界互動。Facebook 希望透過分享 3D 圖片系統的細節，幫助人工智慧社群在這些領域取得進展，並創造利用先進的 3D 新體驗。

via： https://ai.facebook.com/blog/-powered-by-ai-turning-any-2d-photo-into-3d-using-convolutional-neural-nets/