2D图片变3D最新3DGAN可生成三维几何数据，模型速度提升

　　2D图片变3D，还能给出3D几何数据？
　　英伟达和斯坦福大学联合推出的这个GAN，真是刷新了3DGAN的新高度。
　　而且生成画质也更高，视角随便摇，面部都没有变形。
　　与过去传统的方法相比，它在速度上能快出7倍，而占用的内存却不到其十六分之一。
　　最厉害的莫过于还可给出3D几何数据，像这些石像效果，就是根据提取的位置信息再渲染而得到的。
　　甚至还能实时交互编辑。
　　该框架一经发布，就在推特上吸引了大量网友围观，点赞量高达600。
　　怎么样？是不是再次刷新你对2D升3D的想象了？显隐混合双重鉴别
　　事实上，只用一张单视角2D照片生成3D效果，此前已经有许多模型框架可以实现。
　　但是它们要么需要计算量非常大，要么给出的近似值与真正的3D效果不一致。
　　这就导致生成的效果会出现画质低、变形等问题。
　　为了解决以上的问题，研究人员提出了一种显隐混合神经网络架构（hybridexplicitimplicitnetworkarchitecture）。
　　这种方法可以绕过计算上的限制，还能不过分依赖对图像的上采样。
　　从对比中可以看出，纯隐式神经网络（如NeRF）使用带有位置编码（PE）的完全连接层（FC）来表示场景，会导致确定位置的速度很慢。
　　纯显式神经网络或混合了小型隐式解码器的框架，虽然速度更快，但是却不能保证高分辨率的输出效果。
　　而英伟达和斯坦福大学提出的这个新方法EG3D，就将显式和隐式的表示优点结合在了一起。
　　它主要包括一个以StyleGAN2为基础的特征生成器和映射网络，一个轻量级的特征解码器，一个神经渲染模块、一个超分辨率模块和一个可以双重识别位置的StyleGAN2鉴别器。
　　其中，神经网络的主干为显式表示，它能够输出3D坐标；解码器部分则为隐式表示。
　　与典型的多层感知机制相比，该方法在速度上可快出7倍，而占用的内存却不到其十六分之一。
　　与此同时，该方法还继承了StyleGAN2的特性，比如效果良好的隐空间（latentspace）。
　　比如，在数据集FFHQ中插值后，EG3D的表现非常nice：
　　该方法使用中等分辨率（128x128）进行渲染，再用2D图像空间卷积来提高最终输出的分辨率和图像质量。
　　这种双重鉴别，可以确保最终输出图像和渲染输出的一致性，从而避免在不同视图下由于卷积层不一致而产生的问题。
　　两图中左半边为最终输出效果，右半边为渲染输出
　　而没有使用双重鉴别的方法，在嘴角这种细节上就会出现一些扭曲。
　　左图未使用双重鉴别；右图为EG3D方法效果
　　数据上，与此前方法对比，EG3D方法在256分辨率、512分辨率下的距离得分（FID）、识别一致性（ID）、深度准确性和姿态准确性上，表现都更好。
　　团队介绍
　　此项研究由英伟达和斯坦福大学共同完成。
　　共同一作共有4位，分别是：EricR。Chan、ConnorZ。Lin、MatthewA。Chan、KokiNagano。
　　其中，EricR。Chan是斯坦福大学的一位博士研究生，此前曾参与过一些2D图像变3D的方法，比如piGAN。
　　ConnorZ。Lin是斯坦福大学的一位正在读博二的研究生，本科和硕士均就读于卡内基梅隆大学，研究方向为计算机图形学、深度学习等。
　　MatthewA。Chan则是一位研究助理，以上三人均来自斯坦福大学计算机成像实验室（ComputationalImagingLab）。
　　KokiNagano目前就职于英伟达，担任高级研究员，研究方向为计算机图形学，本科毕业于东京大学。
　　论文地址：
　　https：arxiv。orgabs2112。07945
　　参考链接：
　　https：matthewachan。github。ioEG3D