ICLR 2023 Spotlight | 2D圖像腦補3D人體，衣服隨便搭，還能改動作

在 ICLR 2023 上，南洋理工大學(xué) - 商湯科技聯(lián)合研究中心 S-Lab 團隊提出了首個從二維圖像集合中學(xué)習(xí)高分辨率三維人體生成的方法 EVA3D。得益于 NeRF 提供的可微渲染，近期的三維生成模型已經(jīng)在靜止物體上達到了很驚艷的效果。但是在人體這種更加復(fù)雜且可形變的類別上，三維生成依舊有很大的挑戰(zhàn)。本文提出了一個高效的組合的人體 NeRF 表達，實現(xiàn)了高分辨率（512x256）的三維人體生成，并且沒有使用超分模型。EVA3D 在四個大型人體數(shù)據(jù)集上均大幅超越了已有方案，代碼已開源。

• 論文名稱：EVA3D: Compositional 3D Human Generation from 2D image Collections
• 論文地址：https://arxiv.org/abs/2210.04888
• 項目主頁：https://hongfz16.github.io/projects/EVA3D.html
• 代碼開源：https://github.com/hongfz16/EVA3D
• Colab Demo：https://colab.research.google.com/github/hongfz16/EVA3D/blob/main/notebook/EVA3D_Demo.ipynb
• Hugging Face Demo：https://huggingface.co/spaces/hongfz16/EVA3D

背景
利用 NeRF 提供的可微渲染算法，三維生成算法，例如 EG3D、StyleSDF，在靜態(tài)物體類別的生成上已經(jīng)有了非常好的效果。但是人體相較于人臉或者 CAD 模型等類別，在外觀和幾何上有更大的復(fù)雜度，并且人體是可形變的，因此從二維圖片中學(xué)習(xí)三維人體生成仍然是非常困難的任務(wù)。研究人員在這個任務(wù)上已經(jīng)有了一些嘗試，例如 ENARF-GAN、GNARF，但是受限于低效的人體表達，他們無法實現(xiàn)高分辨率的生成，因此生成質(zhì)量也非常低。
為了解決這個問題，本文提出了高效的組合的三維人體 NeRF 表示，用以實現(xiàn)高分辨率的（512x256）三維人體 GAN 訓(xùn)練與生成。下面將介紹本文提出的人體 NeRF 表示，以及三維人體 GAN 訓(xùn)練框架。
高效的人體 NeRF 表示
本文提出的人體 NeRF 基于參數(shù)化人體模型 SMPL，它提供了方便的人體姿勢以及形狀的控制。進行 NeRF 建模時，如下圖所示，本文將人體分為 16 個部分。每一個部分對應(yīng)于一個小的 NeRF 網(wǎng)絡(luò)進行局部的建模。在渲染每一個局部的時候，本文只需要推理局部 NeRF。這種稀疏的渲染方式，在較低的計算資源下，也可以實現(xiàn)原生高分辨率的渲染。
例如，渲染體型動作參數(shù)分別為的人體時，首先根據(jù)相機參數(shù)采樣光線；光線上的采樣點根據(jù)與 SMPL 模型的相對關(guān)系進行反向蒙皮操作（inverse linear blend skinning），將 posed 空間中的采樣點轉(zhuǎn)化到 canonical 空間中。接著計算 Canonical 空間的采樣點屬于某個或者某幾個局部 NeRF 的 bounding box 中，再進行 NeRF 模型的推理，得到每個采樣點對應(yīng)的顏色與密度；當(dāng)某個采樣點落到多個局部 NeRF 的重疊區(qū)域，則會對每個 NeRF 模型進行推理，將多個結(jié)果用 window function 進行插值；最后這些信息被用于光線的積分，得到最終的渲染圖。

三維人體 GAN 框架
基于提出的高效的人體 NeRF 表達，本文實現(xiàn)了三維人體 GAN 訓(xùn)練框架。在每一次訓(xùn)練迭代中，本文首先從數(shù)據(jù)集中采樣一個 SMPL 的參數(shù)以及相機參數(shù)，并隨機生成一個高斯噪聲 z。利用本文提出的人體 NeRF，本文可以將采樣出的參數(shù)渲染成一張二維人體圖片，作為假樣本。再利用數(shù)據(jù)集中的真實樣本，本文進行 GAN 的對抗訓(xùn)練。

極度不平衡的數(shù)據(jù)集
二維人體數(shù)據(jù)集，例如 DeepFashion，通常是為二維視覺任務(wù)準備的，因此人體的姿態(tài)多樣性非常受限。為了量化不平衡的程度，本文統(tǒng)計了 DeepFashion 中模特臉部朝向的頻率。如下圖所示，橙色的線代表了 DeepFashion 中人臉朝向的分布，可見是極度不平衡的，對于學(xué)習(xí)三維人體表征造成了困難。為了緩解這一問題，我們提出了由人體姿態(tài)指導(dǎo)的采樣方式，將分布曲線拉平，如下圖中其他顏色的線所示。這可以讓訓(xùn)練過程中的模型見到更多樣以及更大角度的人體圖片，從而幫助三維人體幾何的學(xué)習(xí)。我們對采樣參數(shù)進行了實驗分析，從下面的表格中可見，加上人體姿態(tài)指導(dǎo)的采樣方式后，雖然圖像質(zhì)量（FID）會有些微下降，但是學(xué)出的三維幾何（Depth）顯著變好。

高質(zhì)量的生成結(jié)果
下圖展示了一些 EVA3D 的生成結(jié)果，EVA3D 可以隨機采樣人體樣貌，并可控制渲染相機參數(shù)，人體姿勢以及體型。

本文在四個大規(guī)模人體數(shù)據(jù)集上進行了實驗，分別是 DeepFashion，SHHQ，UBCFashion，AIST。該研究對比了最先進的靜態(tài)三維物體生成算法 EG3D 與 StyleSDF。同時研究者也比較了專門針對三維人生成的算法 ENARF-GAN。在指標的選擇上，本文兼顧渲染質(zhì)量的評估（FID/KID）、人體控制的準確程度（PCK）以及幾何生成的質(zhì)量（Depth）。如下圖所示，本文在所有數(shù)據(jù)集，所有指標上均大幅超越之前的方案。

應(yīng)用潛力
最后，本文也展示了 EVA3D 的一些應(yīng)用潛力。首先，該研究測試了在隱空間中進行差值。如下圖所示，本文能夠在兩個三維人之間進行平滑的變化，且中間結(jié)果均保持較高的質(zhì)量。此外，本文也進行了 GAN inversion 的實驗，研究者使用二維 GAN inversion 中常用的算法 Pivotal Tuning Inversion。如下面右圖所示，該方法可以較好的還原重建目標的外觀，但是幾何部分丟失了很多細節(jié)。可見，三維 GAN 的 inversion 仍然是一個很有挑戰(zhàn)性的任務(wù)。

結(jié)語
本文提出了首個高清三維人體 NeRF 生成算法 EVA3D，并且僅需使用二維人體圖像數(shù)據(jù)即可訓(xùn)練。EVA3D 在多個大規(guī)模人體數(shù)據(jù)集上性能達到最佳，并且展現(xiàn)出了在下游任務(wù)上進行應(yīng)用的潛力。EVA3D 的訓(xùn)練與測試代碼均已經(jīng)開源，歡迎大家前去試用！