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 3D GAN 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 （hybrid explicit-implicit network architecture）。
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（latent space）。
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（128 x 128）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：Eric R. Chan、Connor Z. Lin、Matthew A. Chan、Koki Nagano。
其中，Eric R. 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 pi-GAN。
Connor Z. 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。
Matthew A. 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（Computational Imaging Lab）。
Koki Nagano 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.org/abs/2112.07945
参考链接：
https://matthew-a-chan.github.io/EG3D/