作为现阶段最成功的VR内容生态之一，Quest商店吸引了越来越多开发者发布VR内容，但这对于Meta来讲似乎还不够，其也在探索某种UGC VR生态，比如在Horizon Worlds中提供可视化开发工具，让普通人也能创造VR应用。而近期，Meta公布的一项新研究表明，未来制作AR/VR内容可能就像拍短视频那么简单。

据了解，Meta为了简化AR/VR内容开发方式，研发了一种RGB-D图像生成3D模型方案：MCC。MMC全称是多视图压缩编码，它是一种基于Transformer的编码器-解码器模型，可根据一帧RGB-D图像合成/重建3D模型，潜在应用场景包括AR/VR、3D视觉重建、机器人导航、数字孪生/虚拟仿真等等。与普通彩色2D图像不同，RGB-D是具有深度的彩色图像，相当于普通RGB三通道彩色图像加上深度图（Depth Map），二者是配准的，像素一一对应。

(资料图片)

实际上，Meta在2018年的F8大会上，就曾公布3D照片研究，可通过双摄手机拍摄出具有3D效果的照片，其中包含一定的深度信息。其甚至还研发了将2D图像转3D的CNN模型，特点是支持单摄手机。这意味着，它如果结合MCC方案，或许可以将单摄手机捕捉的2D图像合成为3D模型。

而Transformer是一种采用自注意力机制的深度学习模型，谷歌曾使用它来增强搜索引擎，而近期比较火的ChatGPT模型也是基于Transformer。起初，Transformer更常用与自然语言处理领域，而随着它与大规模、通用类别的学习模型结合，便也开始被用于语言处理之外的领域，比如图像合成、图像分析。

利用MCC方案，3D开发/合成将有望实现规模化。随着深度传感器、深度捕捉AI模型在手机上普及，具有深度信息的图像越来越容易获得，因此MCC可使用的数据规模足够大。

研究背景

Meta科研人员指出，视觉识别的一个核心目标根据单个图像来理解物体和场景。在大规模学习和通用表示推动下，2D图像识别技术得到大幅提升，但现阶段识别3D场景/物体还存在挑战，因为2D图像源中存在图形遮挡，所以很难从单张图像合成完整的3D模型。

为了解决这一问题，一些3D合成模型依赖于多张不同角度的源图像。而如果用CAD模型来训练，市面可用的数据集规模不够多，因此限制了3D合成和理解技术的发展。

而MCC只需要RGB-D图像就能训练，图像中不可见的部分也能在3D模型中完整预测/合成。监督所使用的数据则基于含有深度信息、相机姿态的视频帧。

方案原理

MCC采用简单的解码器-编码器架构，将RGB-D图像输入到MCC中会产生输入编码，然后解码器将在输入编码中访问3D点数据，以预测该点的占用率和RGB色彩（将3D重建定义为二元分类问题）。简单来讲，MCC只需要处理3D点云数据，而3D点可以捕捉任何对象或场景，通用性比网格和立体像素更好，因此用大规模RGB-D图像数据就能训练模型。另外，RGB-D图像可通过手机的LiDAR传感器来捕捉，或是由深度模型来计算（比如MiDas、COLMAP）。

科研人员利用来自不同数据集的深度图像/视频来训练MCC，这些数据部分未包含3D场景、3D对象的全部角度，而这将需要AI重新构建。此外，MCC也可以将AI合成的图像转化为3D模型。

因此，MCC最大的特点是可预测RGB-D图像中看不见、被遮挡的3D几何形状。科研人员表示：MCC模型与基于图像的自监督学习、掩码自动编码器（MAE）的最新进展有直接关系，MAE也是通过预测图像中看不见的形状来学习图像表示。此外，MCC无需具有注释的3D数据，成本更低、数据更容易收集。

科研人员表示：研究结果表明，将基于点云的3D合成模型与通用类别的大规模训练结合，是有效的。未来，希望将这种成果扩展为通用的3D分析视觉系统，让3D重建/合成效果更接近人脑的想象力。

对比其他方案

谷歌、NVIDIA等科技公司也曾研发2D图转3D技术，分别依赖于NeRF、逆向渲染（3D MoMa），缺点是需要多张图像，而且NeRF很那从单个图像生成新的场景。其他一些方案需要使用3D CAD模型等规模有限的数据来训练，而MCC只需要通过RGB-D图像就能训练3D重建。

此外，MCC普适性好，对于未曾见过的新对象类别，也能实现“开箱即用”（支持零样本学习），直接处理成3D模型。

为了展示MCC与不同数据来源的兼容性，科研人员将其与多个图像源结合，比如：

这些数据集包含了50多种常见对象类型，以及大规模场景，比如仓库、礼堂、阁楼、餐厅等等，利用它们重建的3D模型还不能一比一还原，而是看起来比原来更圆润、更卡通化，但应用在3D开发中质量足够好。未来，随着用更多数据、更多样化对象进行训练，MCC的性能还可以显著提升。

参考：Meta