Two Basic Problems¶

Shape Representations¶

主要有 5 种表示 3d 形状的方式。

depth map¶

就是每一个像素点对应一个深度。

但是，由于表现能力非常有限（比如被遮挡的物体就表现不出来），所以有时被称为 2.5 D

就像 semantic segmentation 一样，我们可以通过一个非常类似的 CNN 结构，来预测深度。

不过，由于本次做的是回归而不是分类，因此最终结果只需要 $C_{out} = 1$ 即可
损失函数就是 $L^2$-逐像素损失

问题：由于 depth ambiguity（也就是远处的大物体，和近处的小物体，本质上没有区别），因此一张图片，我们只能够判断出相对的距离（比如 A 物体是 B 物体的 2 倍远），而绝对的距离（比如 A 物体是 1m，B 物体是 2m）是判断不出的。

解决方法：使用 scale-invariant loss $$ \begin{align} D(y,y^\ast) = \frac 1 {2n^2}\sum_{i,j}((\log y_i - \log y_j) - (\log y_i^\ast - \log y_j^\ast ))^2 \tag{2} \newline = \frac 1 n \sum_i d_i^2 - \frac 1 {n^2} \sum_{i,j} d_i d_j = \frac 1 n \sum_i d_i^2 - \frac 1 {n^2} \left(\sum_{i} d_i \right)^2 \tag{3} \end{align} $$ 具体推导过程如下：

这个公式有三种解释：

$D(y,y^\ast;\alpha)$：找到合适的 $\alpha$，从而将 $y$ 翻 $e^\alpha$ 倍之后，可以最小化损失
$(2)$：损失不再是 $L^2$，而是比较所有两点之间的 ground truth diff 和 predicted diff 之间的差别
$(3)$：损失就是 $L^2$ 外加一个 $- \frac 1 {n^2} \sum_{i,j} d_i d_j$，如果 $d_i, d_j$ 都是 same direction 的，那么就可以减小误差

normal(法线) grid¶

voxel grid¶

上面的缺点：无法完整地表示出上面的东西。

下面的 voxel grid，则可以以 3d 的形式表现出来：

和 segmentation mask 有点像（如果空间中某方块是物体的一部分，就为 1，否则为 0，当然也可以是一个 [0, 1] 之间的小数，表示占据的空间）

优点就是：起码不是 2.5D 了

缺点在于：

需要很高的 spatial resolution，才能 capture fine structures
但是，这样做会非常 computationally expensive
- 3d 比 2d 还要多一维，因此计算成本增长更快

Convolution on 3D pictures¶

如果要在 3D 上进行卷积，也很简单。将卷积核变成 3D 的就行。其它都不变。

Convert 2D to 3D¶

如下图，这是最 naive 的做法。缺点就是过于 computationally expensive（主要是后面的 deconvolution，因为用到了 3D 核，因此计算量很大）

因此，我们不妨

不用 3D deconvolution，而是用 2D deconvolution
将 2D deconvolution 最后输出的 feature dimension 当成 3D 模型的 depth dimension

当然，这样做也有缺点，如下：

Drawback: Loss of Translational Invariance¶

如上图，一个 2D 图像使用 2D convolution filter。从左图到右图，特征从左下角平移到了左上角，但是卷积核的局部性成功地将这个特征记录了下来。

假设我们不是生成 3D voxels，而是使用 2D-multi-channel-CNN 来处理 3D voxel。这样会使得卷积核失去在 z 轴上的“平移不变性”

因为 2D-multi-channel-CNN 卷积的时候，处理的是局部的 x,y 轴以及全部的 z 轴。
只要特征在 z 轴上进行了一点平移，对应的 convolution filter 就不一样了
但是特征在 x,y 轴上进行平移，对应的 convolution filter 仍然是一样的

对于生成 3D voxel，也是类似的。如果 3D 图像在 z 轴上有平移，那么 deconvolution 就是让另一个 deconvolution filter 去完成。而两者的参数很可能是很不一样的。

Drawback: Memory Usage¶

设想使用 1024x1024x1024，那么就要用到 4GB（如果使用的是 float32）的内存。

Scaling Voxels¶

Voxel Oct-Tree¶

如图，我们先获得一个 (sparse) 32 resolution 的 voxel grid，然后通过 "turn on some cells" 的方式，来获得更高精度的 voxel grid。

当然，implementation is non-trivial

Nested Shape Layer¶

如图，我们从粗糙到精细，一加一减，逐渐精细化。

Implicit Surface¶

Point Cloud¶

Categorize¶

Predict¶

我们使用 Chamfer loss: $d_{CD}(S_1,S_2) = \sum_{x \in S_1} \min_{y \in S_2} d(x,y) + \sum_{y \in S_2} \min_{x \in S_1} d(x,y)$

也就是：对于每一个点，找另一个点云中具体它最近的点

至于生成，就用下面的：

Mesh¶

好处：

图形学标配
显示表示（而非 implicit surface 中的隐式表示）
Adaptive
很容易为每一个顶点添加附加信息，然后通过插值来填充整个平面

坏处：不容易在神经网络上处理。

下面，介绍一种 pixel2mesh 的方法：

核心步骤是：

将椭圆形的 mesh (i.e. initial value) 逐渐 deform 成期望的形状，然后再进行细化（具体可以参考图形学上的细化）
如何进行 deform？还是使用 CNN，只不过这一次的 reception field 是 adjacent vertices：对于 vertex i，$f'_i = W_0 f_i + \sum_{j \text{ adjacent to }i} W_1 f_j$
如何把 2D 图片的信息引入？我们设定一个 camera angle，将 3D 图像投影到 2D 平面上去。具体来说，就是把 3D 的每一个 vertex 投影到某一个卷积层上去，同时采用 bilinear interpolation 的方式，将卷积层上的 feature vector 附加到 vertex i 上
我们在 predicted meshes 中进行随机取点，然后将这些点和 ground truth meshes 上随机取的点，通过 Chamfer distance 来计算出来 loss

难点：

由于 predicted mesh 会发生变化，因此必须 online sampling，如何减少运算量是关键
如何反向传播梯度也是一个问题

这两个问题均在 smith-19 中得到解决（尤其是第二个问题）。

Comparing Shapes¶

上图是 F1@t score。简单来说，就是计算多少比例的 predicted points and ground truth points 被对方包住。

上图是三种方式的对比。可见：

IoU 极其粗糙，因为完全无法 capture fine structures
Chamfer Distance 对离群点非常敏感
- 比如上图中，第二个椅子和第三个椅子相比第一个椅子”犯的错的是一样的“，但是 Chamfer Distance 却不同，这是不应该的
F1 score 就很好地考虑到了这一点：只要距离在 t 以内就算，在 t 以外就不算。从而两张椅子的误差是一样的，符合直觉。
- 缺点是有一个超参数