2 张废片啪地一合！错过的精彩瞬间立刻重现，还能从 2D 升到 3D 效果。看，小男孩可爱的笑容马上跃然浮现：
吹灭生日蛋糕蜡烛的瞬间也被还原了出来：
咧嘴笑起来的过程看着也太治愈了吧~
咱就是说，这回相机里熊孩子 / 毛孩子的废片终于有救了！而且完全看不出是后期合成的效果，仿佛是原生拍摄的一般。
这就是谷歌、康奈尔大学、华盛顿大学最近联合推出的成果，能只用 2 张相近的照片还原出 3D 瞬间，目前已被 CVPR 2022 收录。
论文作者一作、二作均为华人，一作小姐姐本科毕业于浙江大学。
用 2 张照片正反向预测中间场景
这种方法适用于两张非常相似的照片，比如连拍时产生的一系列照片。
方法的关键在于将 2 张图片转换为一对基于特征的分层深度图像 （LDI），并通过场景流进行增强。整个过程可以把两张照片分别看做是“起点”和“终点”，然后在这二者之间逐步预测出每一刻的变化。
具体来看，过程如下：
首先，将两张照片用单应矩阵（homegraphy）对齐，分别预测两张照片的稠密深度图。然后将每个 RGBD 图像转换为彩色的 LDI，通过深度感知修复背景中被遮挡的部分。
其中，RGB 图像即为普通 RGB 图像 + 深度图像。
之后用二维特征提取器修复 LDI 的每个颜色层，以获取特征层，从而生成两份特征图层。下一步就到了模拟场景运动部分。通过预测两个输入图像之间的深度和光流，就能计算出 LDI 中每个像素的场景流。
而如果想要两张图之间渲染出一个新的视图、并提升到 3D，在此需要将两组带特征值的 LDI 提升到一对 3D 点云中，还要沿着场景流双向移动到中间的时间点。然后再将三维的特征点投影展开，形成正向、反向的二维特征图及对应深度图。
最后将这些映射与时间线中对应时间点的权重线性混合，将结果传给图像合成网络，就能得到最后的效果了。
实验结果
从数据方面来看，该方法在所有误差指标上，均高于基线水平。
在 UCSD 数据集上，这一方法可以保留画面中的更多细节，如（d）所示。
在 NVIDIA 数据集上进行消融实验表明，该方法在提高渲染质量上表现也很 nice。
不过也存在一些问题：当两张图像之间的改变比较大时，会出现物体错位的现象。
比如下图中酒瓶的瓶嘴移动了，不该发生变化的酒杯也摇晃了起来。
还有照片如果没有拍全的地方，在合成的时候难免会出现“截肢”的情况，比如下图中喂考拉的手。
团队介绍
该研究的一作为 Qianqian Wang，现在在康奈尔大学读博四。
她本科毕业于浙江大学，师从周晓巍。
研究兴趣为计算机视觉、计算机图形学和机器学习。
二作是 Zhengqi Li，博士毕业于康纳尔大学，本科毕业于明尼苏达大学，目前在 Google Research。
曾获提名 CVPR 2019 最佳论文，谷歌 2020 博士奖研金，2020 年 Adobe Research 奖学金，入围 Baidu 2021 年 AI 华人新星百强榜单。
参与此项研究的还有华盛顿大学教授 Brian Curless。
他还提出过另一种方法能够实现类似效果，同样只用到了 2 张照片，通过新型帧插值模型生成连贯的视频。
论文地址：
https://3d-moments.github.io/