用深度学习实现 2D 到 3D 的转换

随着 5G 时代的到来，VR 端应用呈爆发式增长，3D 内容作为构建 VR 生态的主力输出一直深受广大用户的追捧和喜爱。针对目前 3D 内容过少，质量不高、生产昂贵等现状，爱奇艺作为国内领先的互联网视频媒体，自然首当其冲，以真实世界的 3D 内容为基础，研究 2D 转 3D 技术，实现更优质的 VR 端的 3D 内容生态的构建，满足更多用户的日常需求。

相对于 2D 内容，优质的 3D 内容有输出符合真实景深关系的能力，让用户在观看时具有更好的观影体验。下面我们从技术的角度，介绍爱奇艺如何赋予 2D 内容真实的景深关系，实现 2D 内容到 3D 内容的转换。

面临的挑战

目前 2D 转 3D 技术主要问题是转制成本太高，不能大面积使用，如使用一般的策略很难适用多种场景的真实 3D 视差关系，这很容易让用户感到不适。

综合以上原因，我们考虑采用深度学习方法，通过对大量 3D 电影（side-by-side 的双目介质）真实视差的学习与建模，完成单目视图到双目视图的转换。

以下是 2D 转 3D 技术面临的几个挑战：

• 数据集质量

1. 3D 介质中包含大量不符合真实视差关系的双目视图

2. 受相机参数的影响，同类场景的视差在不同的 3D 介质中不统一

• 帧间抖动

1. 场景多样化，需要保证视差预测的连续性与准确性

2. 重构视图的遮挡区域空洞的填补

• 3D 效果的评价指标难以量化

1. 同类场景具有不同的并且满足真实世界的视差关系

2. 3D 效果依靠人工评价，过于主观

模型原型思路

通过对大量用户的调研发现，除去特效场景刺激眼球外，3D 介质的 3D 感知越符合真实世界越受用户喜爱，因此在模型构建上必须符合真实世界的 3D 观感——双目视觉

图 1 双目相机成像与视差原理

如 图 1 左 所示，两个相机拍摄同一场景生成的图像会存在差异，这种差异叫视差，其产于与真实的三维空间。视差不能通过平移消除，同时离相机近的物体视差偏移较大，反之越小。

人的左右眼就如同图中的左右相机一样，分别获取对应图像后，通过大脑合成处理这种差异，从而获取真实世界的 3D 感知，通过 图 1 右 可得出视差与相机焦距和轴间距间的关系：

公式（1）

其中 $z$ 为物体距离相机的深度，$x$ 为三维映射到二维的图像平面，$f$ 为相机焦距，$b$ 为两个相机间的距离轴间距，$x_l$ 和 $x_r$ 分别为物体在左右不同相机中成像的坐标，因此可知左右图对应像素 $x_l$ 和 $x_r$ 的视差 $d(disparity)=x_l-x_r$。

同时，考虑到转制的对象为 2D 介质，因此，通过单目深度估计合成新视点的算法原型诞生：通过 公式(1) 可知，假设有一个函数 $F(I_r)=d$ 那么就有：

公式（2）

通过 _公式（2） _可知，只需要将 图 1 左 作为训练输入，图 1 右 作为参考，即可建立深度学习模型，通过大量双目图片对训练估计出函数𝐹。这样就可在已知相机参数(𝑏,𝑓)的前提下获取对应的深度值𝑧，完成单目深度估计的任务。

通过 公式（1） 与 公式（2） 可以发现，深度与视差成反比，因此深度估计和视差估计的方法可以互用。Deep3D[1]虽然通过视差概率估计实现 2D 到 3D 介质的转换，但固定视差的设定，难以适应不同分辨率 2D 介质输入；

方法[2]没有充分利用双目信息作指导，景深不够细；monodepth[3]在方法[2]的基础上，充分利用了双目信息进行对抗指导，学习到更多深度细节；

SfmLearner[4]这类方法引入帧间时序信息，结构较复杂，运行速度慢。因此通过实现及适用性考虑最终我们选择以 monodepth 为 baseline，其框架结构如 图 2 所示：

图 2 monodepth 框架图

通过 图 2 框架可以看出，该框架在训练过程充分利用双目的有效信息作指导，同时测试过程也只需要单目图片进行输入，所以非常适合用于 2D 转 3D 技术的框架。

模型演变

解决相机问题

在 Baseline 模型的基础上，如果直接使用混合的 3D 电影数据集进行训练，模型将无法收敛或预测不稳定，一个最主要的问题是不同电影使用不同相机参数的摄像机进行拍摄，即使两个非常相似的电影场景，在不同的两部电影中也会有不同的景深分布，表现在模型训练中即为不同的视差值。

与此同时，不同电影的后处理方式，以及会聚相机的引入，会进一步增加建模的难度。在分析相似案例的处理方法中，我们发现可以通过引入条件变分自编码器（CVAE），在训练过程中，把每一组训练集（左右视图）通过网络提取其相机参数等信息，并作为后验信息通过 AdaIN[5]的形式引入到单目（左视图）视差图预测中，同时参考[6]中的“双轮训练”，保证了测试时随机采样相机参数分布的正确性。

解决抖动问题

在解决数据集问题后，进行连续帧预测时，发现存在预测不稳定及抖动的问题。在解决视频生成过程（尤其是连续帧深度图预测）的抖动问题中，目前最为常见的方案包含基于帧间 ConvLSTM 的[7]和[8]和基于光流的[9]和[10]。其中，[8]在不同尺度的编码和解码的过程中均加入 ConvLSTM，隐式的利用时间域上特征的相关性来稳定的预测深度图，而[7]则仅在网络输出的最后一层引入 ConvLSTM。

引入 ConvLSTM 的方法思路简单，但在 2D 转 3D 模型中却不适用，[8]使用了较多的 ConvLSTM，使得训练较为复杂，不易收敛，[7]由于电影分镜镜头种类多变，单一 ConvLSTM 预测时易累计误差，使得预测变差。

图 3 vid2vid 结构图

我们的 2D 转 3D 模型采用了类似于[10]的模型结构，如 图 3 所示，将左侧上支路改为输入三帧左视图（t，t-1，t-2），左侧下支路改为输入前两帧预测视差图（t-1，t-2），右上支路为输出当前帧所预测的视差图，右下支路改为输出前一帧预测视差图到当前帧预测视差图的光流图（t-1->t）及其 valid mask 图，最终结合右侧上下两支路结果合成当前帧视差图。

其中，在中间高维特征合并处引入上文提及的 CVAE 模块，用以引入后验相机参数信息。最终，在解决相机参数导致数据集问题的同时，模型能够得到稳定且连续的视差图输出。

解决“空洞”填补问题

由于新视角的生成，会使部分原本被遮挡的区域在新视角中显露出来，这些信息仅从左视图中是无法获取的，即使通过前后帧的光流信息也很难还原。在生成新视角的后处理过程中，我们参考[11]的模型框架设计，通过视差图来指导获取产生的“空洞”区域，通过图像修补技术解决新视角的“空洞”问题。

3D 效果测评 由于拍摄条件不同会导致 3D 效果不同，所以在 2D 转 3D 效果测评中，我们用大量人力对预测的视差图和成片在 VR 中的 3D 效果进行综合性的评测。视差图估计如图 4：

图 4 各种场景下的单目视差估计

应用扩展

不仅如此，视差图的预测也能转化为相对深度值，被应用到其他方面，例如 3D 海报。3D 海报是一张 2D 图片加上其深度关系图，通过一系列的新视点渲染，得到一组动态的，人能感知的立体影像。如图 5 与图 6 所示：

图 5 复仇者联盟 3D 海报

图 6 剑干将莫邪 3D 海报

References

[1]Xie J, Girshick R, Farhadi A. Deep3d: Fully automatic 2d-to-3d video conversionwith deep convolutional neural networks[C]//European Conference on ComputerVision. Springer, Cham, 2016: 842-857.

[2]Garg R, BG V K, Carneiro G, et al. Unsupervised cnn for single view depthestimation: Geometry to the rescue[C]//European Conference on Computer Vision.Springer, Cham, 2016: 740-756.

[3] Godard C, Mac Aodha O, Brostow G J. Unsupervisedmonocular depth estimation with left-right consistency[C]//Proceedings of theIEEE Conference on Computer Vision and Pattern Recognition. 2017: 270-279.

[4] Zhou T, Brown M, Snavely N, et al. Unsupervised learningof depth and ego-motion from video[C]//Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition. 2017: 1851-1858.

[5] Huang X, Belongie S. Arbitrary style transfer inreal-time with adaptive instance normalization[C]//Proceedings of the IEEEInternational Conference on Computer Vision. 2017: 1501-1510.

[6] Zhu J Y, Zhang R, Pathak D, et al. Toward multimodal image-to-imagetranslation[C]//Advances in neural information processing systems. 2017:465-476.

[7] Zhang H, Shen C, Li Y, et al. Exploitingtemporal consistency for real-time video depth estimation[C]//Proceedings ofthe IEEE International Conference on Computer Vision. 2019: 1725-1734.

[8] Tananaev D, Zhou H, Ummenhofer B, et al. TemporallyConsistent Depth Estimation in Videos with RecurrentArchitectures[C]//Proceedings of the European Conference on Computer Vision(ECCV). 2018: 0-0.

[9] Lin J, Gan C, Han S. Tsm: Temporal shift module forefficient video understanding[C]//Proceedings of the IEEE InternationalConference on Computer Vision. 2019: 7083-7093.

[10] Wang T C, Liu M Y, Zhu J Y, et al. Video-to-videosynthesis[J]. arXiv preprint arXiv:1808.06601, 2018.

[11]Yu J, Lin Z, Yang J, et al. Free-form imageinpainting with gated convolution[C]//Proceedings of the IEEE InternationalConference on Computer Vision. 2019: 4471-4480.

本文转载自公众号爱奇艺技术产品团队（ID：iQIYI-TP）。

原文链接：

https://mp.weixin.qq.com/s?__biz=MzI0MjczMjM2NA==&mid=2247486805&idx=1&sn=9cfa31a04f24b576e01cf74e9bd7fc8a&chksm=e9769176de011860984c7b64223843c8ed6e5b5a862af4f2d2434657608f5b39b7b513d33fb9&scene=27#wechat_redirect