Facebook 又再實驗新科技，讓平面照片秒變 3D 照片

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 也早就想到了這件事，為改善用戶體驗，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「人像模式」功能，無法在一般的行動裝置上使用。

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圖像的 3D 結構，任何裝置、任何時間拍攝的圖像都可以被轉換成 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他珍貴圖像。任何擁有 iPhone 7 及以上版本，或中階以上 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 圖像不同區域的深度，以創建 3D 圖像。（Source：Facebook，以下同）

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，並優化系統，使其能夠在 1 秒鐘內在典型的行動處理器裝置上執行。為了克服這些挑戰，Facebook 在數百萬公共 3D 圖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 之前開發的各種行動優化技術，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，沒有任何深度圖像數據，系統將其轉換成上圖顯示的 3D 圖像。

在行動裝置上提供高效性能

給定一個標準的 RGB 圖像，3D Photos CNN（3D 照片卷積神經網路）可以估計每個像素與攝影機的距離。研究人員透過 4 種方式達成這個目標：

使用一組可參數化、可行動優化的神經構建模組構建網路架構。
自動化架構搜尋，以找到這些模組的有效配置，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，在行動裝置上利用高性能 INT8 量化，同時使量化過程中的性能下降最小化。
從公開的 3D 照片獲取大量的訓練數據。

神經構建模組

Facebook 的架構使用受 FBNet 的構建模組啟發。FBNet 是一個為行動裝置等資源受限的裝置優化 ConvNet 架構的框架。一個構建模組由逐點卷積（pointwise convolution）、可選的上採樣、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接放置 FBNet 構建模組。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。

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準度預測器。該精準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。

這個設置中使用了一個搜尋空間，它可以改變通道擴展因子和每個模組的輸出通道數，進而產生 3.4×1,022 種可能的體系結構。然後，Facebook 使用 800 Tesla V100 GPU 在大約 3 天內完成搜尋，設置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

默認情況下，其模型使用單精度浮點權值和觸發進行訓練，但研究人員發現，將權值和觸發量化為 8 位元具有顯著的優勢。尤其是，int8 權重只需要 float32 權重所需儲存量的四分之一，進而減少首次使用時必須傳輸到裝置的位元數。

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

與基於 float32 的運算符相比，基於 Int8 的運算符的吞吐量也要高得多，這要歸功於 Facebook AI 的 QNNPACK 等經過優化的資料庫，後者已經集成到 PyTorch 中。我們使用量化感知訓練（QAT）來避免量化導致的品質下降。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，進而消除了訓練和生產性能之間的差距。