古典人像秒变3D，视角还能随意切，华为&上交联手出品

明敏发自凹非寺
量子位报道|公众号QbitAI
如果让GAN生成的逼真人像变成3D版，会怎样？

仿佛有摄像机对着人像直拍，正面、侧面、仰视、俯视不同角度都能展现。
真的有种人要从画中走出来那味儿了。
而且，这些效果都是由静态单视角图片生成的！
甚至能让卡通人像立体起来。

这就是上海交通大学和华为的最新研究：。
它是一种基于GAN的3D感知生成器，只用原始单视角图像，无需任何上采样，就能生成分辨率256×256的清晰图像。

并且创下3D感知图像合成的新记录， FID仅为6.97 。
现在，这个项目在GitHub上已有200+星，作者已将源代码开源，训练配置文件将在后续发布。
在高清人脸数据集FFHQ上， CIPS-3D的表现可以说非常nice ，连古典画都能变成立体版。

当然也能搞定不同动物的face 。

看到图像从2D直接变成3D ，可能有人已经想到了谷歌大名鼎鼎的NeRF 。

它只需要输入少量静态图片，就能做到多视角的逼真3D效果。
【古典人像秒变3D，视角还能随意切，华为&上交联手出品】而这次的CIPS-3D ，也是基于NeRF开发。
它主要用到了两个网络：NeRF和INR（隐式神经表示法， ImplicitNeuralRepresentations）。

浅层是，它主要负责把人像从2D变为3D 。
它将场景的体积表示优化为向量函数，输入为3D位置坐标和视图方向。
具体而言，就是沿相机射线采样信息，来合成图像。
然后，将这样的场景表示参数化为一个（MLP），输出对应的颜色和体积密度值。
为了获得更为准确的3D图像，往往需要对每条光线上多点采样，这也就造成NeRF所需的内存非常大。
因此，如果神经网络中只用NeRF ，就会限制网络的深度，导致生成图像模糊、缺乏细节。

△第一列为NeRF生成，第二列为INR生成
所以在CIFS-3D中，研究人员将深层网络设置为，让它负责合成高保真的图像。
这种方法也能将各种信号参数化，输出RGB值。
而且由于不再与空间分辨率耦合，它可以对任意空间分辨率进行采样。
论文中也提到，该方法也没有任何上采样。
但是受限于CPU内存，如果直接训练高分辨率图像会有一定难度，为此研究人员提出了一种部分梯度反向传播的方法。
在训练时，该方法仅对随机采样中的绿色光线进行，其余光线则不计算。

解决了3D化问题，还能保证高保真，你以为这就结束了？
NO、NO、NO
在研究过程中，工作人员发现CIPS-3D还存在问题。
这种现象其实在许多3DGAN中都存在，比如GIRAFFE、StyleNeRF 。
比如在下面这个案例中，初始单角度图像的刘海是偏左的，但是生成的不同角度图像中，刘海会随着视角的变化而变化，就像是镜像一样。