作者是來自將門計(jì)算機(jī)視覺社群、香港中文大學(xué)（深圳）GAP實(shí)驗(yàn)室的韓曉光博士，這次分享的是在其指導(dǎo)下團(tuán)隊(duì)在CVPR 2020 Oral的工作：完整三維理解：從單張室內(nèi)場景圖片聯(lián)合重建房間布局、物體姿態(tài)及網(wǎng)格形狀。

三維場景理解與重建

從單張圖片完整地恢復(fù)整個(gè)室內(nèi)場景的幾何信息目前仍然是具有挑戰(zhàn)性的任務(wù)，完整的三維室內(nèi)場景理解與重建需要預(yù)測房間的布局、相機(jī)的位置與姿態(tài)、圖片中單個(gè)物體的姿態(tài)以及物體幾何形狀。

想讓一個(gè)網(wǎng)絡(luò)學(xué)好如此多的任務(wù)過于困難，除此之外：

1． 以前的方法或者只解決其中的一個(gè)子任務(wù)；

2． 或者用多個(gè)網(wǎng)絡(luò)去做多個(gè)子任務(wù)，然后拼接起來，但各個(gè)子網(wǎng)絡(luò)的學(xué)習(xí)是獨(dú)立的；

3． 又或者只關(guān)注場景中獨(dú)立的物體，并沒有綜合考慮整個(gè)室內(nèi)環(huán)境。

我們針對上述三種情況實(shí)現(xiàn)了“3個(gè)Total”：

1． 整合了場景理解與重建，首次提出了一種端到端的方法從單張室內(nèi)圖像完整重建（Total）房間布局、物體及相機(jī)姿態(tài)和實(shí)例級的幾何形狀，并取得了不錯(cuò)的效果，如圖1；

2． 我們的網(wǎng)絡(luò)也由多個(gè)子網(wǎng)絡(luò)組成，但它們并不是獨(dú)立的，我們會對整個(gè)網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練（Total），讓多個(gè)子網(wǎng)絡(luò)分享梯度信息，這是因?yàn)榉块g布局、物體姿態(tài)及三維包圍盒和物體形狀之間有著很強(qiáng)的聯(lián)系，如果分開訓(xùn)練，后面的子網(wǎng)絡(luò)不能向前面的網(wǎng)絡(luò)進(jìn)行反饋；

3． 室內(nèi)物體的姿態(tài)和位置遵循一定的設(shè)計(jì)規(guī)則，各物體之間的關(guān)聯(lián)關(guān)系尤為重要，比如說床頭柜與床、桌椅間以及多把椅子之間的關(guān)系等等。之前的工作在預(yù)測物體的三維包圍盒時(shí)，一般只考慮單個(gè)物體，或者考慮一對一物體間的關(guān)系。與本文工作較類似的Mesh R－CNN［1］只是在圖片上檢測出物體，然后在各物體的圖像平面分別重建，并沒有考慮物體間的關(guān)聯(lián)關(guān)系。在本文方法中，我們考慮物體與房間中所有其他物體間的關(guān)聯(lián)關(guān)系（Total），并將其應(yīng)用到了三維目標(biāo)檢測子網(wǎng)絡(luò)的設(shè)計(jì)中。

與SOTA的對比以及消融實(shí)驗(yàn)均說明了“3個(gè)Total”的重要作用，這使我們的方法在所有子任務(wù)上都達(dá)到了最先進(jìn)的水平，詳見后面實(shí)驗(yàn)分析部分。

三維形狀表示

與我們的工作比較類似的研究大多使用體素（voxel）表示三維形狀，這種表達(dá)方式受限于有限的分辨率，重建出的形狀十分粗糙。其中Mesh－RCNN ［1］能重建出網(wǎng)格（mesh），但仍然是以體素為中間媒介，重建網(wǎng)格質(zhì)量差強(qiáng)人意。由于我們在以物體為中心的三維物體網(wǎng)格重建方面有一定的積累，所以我們決定跳過體素，直接來做物體的網(wǎng)格，并且改進(jìn)了最新的TMN［2］方法，這也是除了“3個(gè)Total”以外本文最重要的貢獻(xiàn)。在物體網(wǎng)格生成任務(wù)中，我們提出了一種新的密度感知拓?fù)湫薷钠�。該方法直接解決了TMN ［2］的主要瓶頸問題，即需要嚴(yán)格的距離閾值來刪除與目標(biāo)形狀距離較遠(yuǎn)的面，這使我們的方法對復(fù)雜背景下不同形狀的室內(nèi)物體具有較強(qiáng)的魯棒性。

網(wǎng)絡(luò)結(jié)構(gòu)

圖2（a）給出了本文方法的概述。該網(wǎng)絡(luò)由三個(gè)模塊組成：布局估計(jì)網(wǎng)絡(luò)（Layout Estimation Network－LEN）、三維目標(biāo)檢測網(wǎng)絡(luò)（3D Object Detection Network －ODN）和網(wǎng)格生成網(wǎng)絡(luò)（Mesh Generation Network －MGN）。對于輸入單張圖像，我們首先用2D檢測器（e．g． Faster R－CNN）預(yù)測二維物體包圍盒。LEN將整個(gè)圖像作為輸入，生成世界坐標(biāo)系下相機(jī)姿態(tài)和三維房間布局包圍盒。根據(jù)二維目標(biāo)檢測結(jié)果，ODN在相機(jī)坐標(biāo)系中檢測三維物體包圍盒，而MGN在以物體為中心的規(guī)范坐標(biāo)系中生成由網(wǎng)格表示的三維幾何形狀。我們通過將所有網(wǎng)絡(luò)的輸出信息嵌入到場景中，進(jìn)行聯(lián)合訓(xùn)練和推理，從而重建出完整的場景。其中，來自MGN的三維物體網(wǎng)格將根據(jù)ODN及 LEN生成的物體與相機(jī)坐標(biāo)系線性變換，從網(wǎng)格規(guī)范坐標(biāo)系轉(zhuǎn)換至世界坐標(biāo)系進(jìn)行聯(lián)合訓(xùn)練。圖2（b）給出了LEN和ODN坐標(biāo)系轉(zhuǎn)換的參數(shù)化圖示，詳細(xì)內(nèi)容請參考我們的文章和補(bǔ)充材料。

1． 三維目標(biāo)檢測網(wǎng)絡(luò)ODN

ODN網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。在預(yù)測某個(gè)物體的三維包圍盒時(shí)，我們考慮該物體與房間中所有其他物體間的關(guān)聯(lián)關(guān)系。對于輸入的圖片，經(jīng)由ResNet對物體包圍盒內(nèi)圖像生成外觀特征，同時(shí)利用物體的二維包圍盒之間相對位置產(chǎn)生相對幾何特征。最后通過目標(biāo)物體與其他物體之間的多邊幾何特征，利用注意力機(jī)制 （Attention mechanism） ［3］，加權(quán)各自外觀特征從而獲得其他物體與目標(biāo)物體之間的關(guān)聯(lián)特征（relational feature），并將其用于最后決策每個(gè)物體在相機(jī)坐標(biāo)系下的三維空間位置，尺寸和姿態(tài)。

2． 布局估計(jì)網(wǎng)絡(luò)LEN

與ODN不同，LEN則負(fù)責(zé)預(yù)測房間的布局（房間包圍盒）和相機(jī)姿態(tài)。其中，相機(jī)姿態(tài)由R（β，γ）定義，即相機(jī)的俯仰角β及橫滾角γ。LEN的網(wǎng)絡(luò)結(jié)構(gòu)與ODN相同，只是不會使用關(guān)聯(lián)特征，即，LEN將整個(gè)場景看作一個(gè)物體包圍盒（而ODN 將每個(gè)檢測到的物體視為一個(gè)包圍盒），這一步我們則預(yù)測的是場景包圍盒在世界坐標(biāo)系下的位置，尺寸和姿態(tài)，以及相機(jī)對于場景世界坐標(biāo)系的旋轉(zhuǎn)。到目前為止，ODN給出了相機(jī)坐標(biāo)系下單個(gè)物體的3D包圍盒信息，同時(shí)LEN獲得了場景布局在世界坐標(biāo)系下的3D包圍盒，以及相機(jī)外參數(shù)用于統(tǒng)一所有物體坐標(biāo)系進(jìn)行聯(lián)合訓(xùn)練。

3． 網(wǎng)格生成網(wǎng)絡(luò)MGN

我們的MGN解決了TMN的瓶頸問題。TMN通過對模板形狀（單位球）進(jìn)行變形和修改網(wǎng)格拓?fù)鋪肀平鼘ο笮螤�，其中需要預(yù)定義距離閾值才能從目標(biāo)形狀中移除距離GT較遠(yuǎn)的面。但是，對于不同比例的物體網(wǎng)格，給出一個(gè)通用的閾值是非常重要的（見圖4）。通過實(shí)驗(yàn)，我們發(fā)現(xiàn)TMN在室內(nèi)物體的形狀預(yù)測上不能很好的刪除細(xì)節(jié)網(wǎng)格面 （見圖5），可能的原因是室內(nèi)物體在不同類別之間有很大的拓?fù)涑叽绮町�，并且因�(yàn)閺?fù)雜的背景和遮擋常常導(dǎo)致無法準(zhǔn)確估計(jì)距離值。

密度 v．s． 距離

與采用嚴(yán)格距離閾值進(jìn)行拓?fù)湫薷牡腡MN不同，我們發(fā)現(xiàn)判斷網(wǎng)格面是否該刪除應(yīng)該由其局部幾何特征決定。在這一部分中，我們提出了一種基于局部密度的自適應(yīng)網(wǎng)格修改方法。我們將pi設(shè)置為重建網(wǎng)格上的一個(gè)點(diǎn)，而qi則對應(yīng)于它在GT上的最近鄰（見圖4）。我們設(shè)計(jì)了一個(gè)二進(jìn)制分類器f （＊） 來預(yù)測pi是否接近GT網(wǎng)格（如下）：

其中，N （qi）為qi在GT曲面的所有近鄰點(diǎn)，而D用于定義局部密度。我們認(rèn)為，在形狀逼近中，如果一個(gè)點(diǎn)屬于GT的N鄰域，就應(yīng)該保留它，否則刪除。在實(shí)驗(yàn)中，我們觀察到該分類器在不同的網(wǎng)格尺度下比使用距離閾值具有更好的魯棒性。

移除邊 v．s． 移除面

相對于移除網(wǎng)格面，我們選擇移除網(wǎng)格邊的方式進(jìn)行拓?fù)湫薷�。我們隨機(jī)抽取網(wǎng)格邊上的點(diǎn)，并使用分類器f （＊） 來移除平均分類分?jǐn)?shù)較低的邊。較移除網(wǎng)格面，移除多余的邊可以減少在計(jì)算邊損失函數(shù)時(shí)（edge loss ［2］ ）因多余邊存在而受到的懲罰，并創(chuàng)建緊湊的網(wǎng)格邊界。

圖4中給出了MGN網(wǎng)絡(luò)架構(gòu)。它以二維物體檢測為輸入，使用ResNet－18生成圖像特征。我們將檢測到的物體類別編碼為one－h(huán)ot向量，并將其與圖像特征連接起來。在我們的實(shí)驗(yàn)中，我們觀察到類別編碼提供了形狀先驗(yàn)，有助于更快地逼近目標(biāo)形狀。我們將擴(kuò)展后的特征向量和模板球輸入到AtlasNet ［4］的解碼器中，以預(yù)測球的形變，并在第一階段拓?fù)洳蛔兊那闆r下輸出合理的物體形狀。在此基礎(chǔ)上通過我們的邊分類器進(jìn)行第二階段的拓?fù)湫薷�，最后�?jīng)過邊界優(yōu)化完成形狀的預(yù)測。邊分類器與AtlasNet形狀解碼器具有相似的網(wǎng)格結(jié)構(gòu)，其中最后一層替換為全連接層進(jìn)行分類。它根據(jù)圖像特征，將變形網(wǎng)格作為輸入，預(yù)測f（＊）以移除冗余網(wǎng)格邊。

4． 聯(lián)合學(xué)習(xí)

LEN和ODN中采用的損失函數(shù)主要涉及相機(jī)參數(shù)，包圍盒尺寸，位置與姿態(tài)的回歸問題。而MGN使用Chamfer距離損失、邊損失 （edge loss） 、邊界損失 （boundary loss） 和用于剪邊分類器的cross－entropy loss，詳見文章。

在聯(lián)合訓(xùn)練時(shí)，損失函數(shù)的設(shè)計(jì)建立在以下兩點(diǎn)：一是相機(jī)姿態(tài)估計(jì)精度的提高可以提升三維物體包圍盒的預(yù)測結(jié)果，反之亦然；二是場景中的物體形狀預(yù)測可以提供物體的空間占有信息（spatial occupancy），這對三維物體檢測有積極影響，反之亦然。根據(jù)第一點(diǎn)，我們采用cooperative loss Lco ［5］來保證預(yù)測出的房間布局／物體包圍盒與GT間的世界坐標(biāo)系下坐標(biāo)值的一致性。第二，我們要求重建出的物體靠近場景中點(diǎn)云，即，對齊世界坐標(biāo)系下物體的網(wǎng)格與場景點(diǎn)云，展現(xiàn)出全局坐標(biāo)的約束。對于此，我們根據(jù)Chamfer距離定義global loss Lg：

以下是用于聯(lián)合訓(xùn)練的loss，前三項(xiàng)分別是ODN，LEN和MGN的loss，后兩項(xiàng)分別為cooperative loss和global loss。其中，

為各項(xiàng)loss的權(quán)重。