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：CIPS-3D。
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。
搞定镜像对称
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。
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，Implicit Neural Representations）。
浅层是 NeRF，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完全连接深度网络（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 INR，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，该方法进对随机采样中的绿色光线进行梯度反向传播计算，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 还存在镜像对称问题。
这种现象其实在许多 3D GAN 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。
出现这样的问题，是因为 NeRF 网络输入的坐标就有存在镜像对称。
比如图中 a、c 两点的坐标就是完全镜像对称的关系。
这对于生成完全对称的物体而言没什么问题。
但是放在只给侧面角度的人像上来说，可能就是一场灾难。
为此，研究人员在神经网络中添加了一个鉴别器（discriminator），让它来辅助鉴别这种问题。
最后结果表明，与其他可生成 3D 人像的方法相比，FID、KID 值明显降低，这两个值越低意味着生成图像质量越好。
团队介绍
值得一提的是，该论文通讯作者为田奇。
田奇，美国伊利诺伊大学香槟分校博士、IEEE Fellow，也是原 UTSA 计算机系正教授。
发表文章约 550 余篇，包括 250+ IEEE TPAMI、IJCV、CVPR/ICCV/ECCV、NeurIPS 等国际顶级期刊和会议。
2018 年加入华为云，研究主要方向为计算机视觉、自然语言处理和语音交互。
华为谢凌曦博士、上海交通大学倪冰冰教授也参与了此次研究。
谢凌曦，本科博士均毕业于清华大学计算机专业，专长计算机视觉、自动机器学习。目前为华为高级研究员。
倪冰冰，现为上海交通大学电子系特别研究员/长聘教轨副教授，博士生导师。
本科毕业于上海交通大学电子工程系，之后赴新加坡国立大学攻读博士。
博士期间，先后在微软亚洲研究院和谷歌公司美国总部工作，担任算法科学家。
2010-2015 年于美国伊利诺伊大学香槟分校新加坡高等研究院担任研究科学家。
研究方向为计算机视觉、机器学习等。
本项研究已经由论文一作 Peng Zhou（上海交通大学）上传至其 GitHub 主页，感兴趣的童鞋可以前去围观~
论文地址：
https://arxiv.org/abs/2110.09788
GitHub 地址：
https://github.com/PeterouZh/CIPS-3D
