小鹏公然AI“造假”,啧啧啧
视频里可塞任何物体
金磊 发自 凹非寺
量子位 | 公众号 QbitAI
家人们,我们先来看一段视频,你能否发现其中有什么异样?
如果说,在这段视频里,有一个物件是假的,是被合成进去的,你能发现吗?
不卖关子,现在就来揭晓答案。
“造假”的物体,正是这个出现在不该出现位置的红绿灯。
我们再来玩一把“大家来找茬”,请看题目:
答案是:放在置物架上的这个设备。
这就是来自小鹏汽车最新的一项研究——Anything in Any Scene。
主打一个往真实环境里毫无违和感地“塞”进去任何东西。
并且研究团队给予这个通用框架的评价是:
它的应用远远超出了视频数据增强的范围,在虚拟现实、视频编辑和其他各种以视频为中心的应用中显示出巨大的潜力。
甚至有网友在看完效果之后直呼:
再见了视频证据~这个技术插入视频的物体可以保持与原始素材相同的真实感。
那么这项AI技术更多效果如何,我们继续往下看。
Anything in Any Scene
先从室外场景来看下效果。
在视频中合成某个物体的时候,往往不逼真的原因,可以总结为位置放置错误、无阴影、无HDR和无样式迁移等原因。
正如下面几个错误案例所示:
而小鹏团队的效果,是这样的:
相比刚才缺少各种因素的情况而言,效果显然是相对逼真的。
再与其它已有的算法和框架做比较,例如DoveNet、StyTR2和PHDiffusion,它们在室外场景中合成物体的效果是这样的:
小鹏的Anything in Any Scene从效果上来看,依旧是相对更为逼真。
同样的,在室内环境中,不论是包包还是鞋子,小鹏新AI技术所生成的效果可以说是真假难辨的那种了。
更多的效果展示如下图所示:
除了视觉效果之外,小鹏团队在CODA数据集的原始图像上,将训练的YOLOX模型的性能与Anything in Any Scene框架在原始和增强图像的组合上训练时的性能进行了比较。
从整体精度上来看也有了不小的提高。
怎么做到的?
从此次提出的框架上来看,Anything in Any Scene主要由三个关键部分组成。
首先是物体放置和稳定化的过程。
团队先确定相机在场景中的世界坐标系位置,并将其作为物体插入的参考点;使用相机的内参矩阵和姿态(旋转矩阵和位移向量)将世界坐标系中的点投影到像素坐标系中,以确定物体在视频帧中的放置位置。
为了避免与场景中其他物体的遮挡,团队还使用语义分割模型估计每个帧的分割掩模,并确保物体放置在未被遮挡的区域。
在物体稳定化方面,团队在连续帧之间估计光流,以跟踪物体的运动轨迹;并通过优化相机姿态(旋转矩阵和位移向量),最小化物体在连续帧中的3D到2D投影误差,确保物体在视频中的稳定运动。
其次,是光照估计和阴影生成。
针对HDR全景图像重建,团队使用图像修复网络推断全景视图的光照分布,然后通过天空HDR重建网络将全景图像转换为HDR图像;并结合使用GAN训练编码器-解码器网络来模拟太阳和天空的亮度分布。
在环境HDR图像重建方面,研究人员则是收集了场景的多视角LDR图像,并通过现有模型恢复为HDR图像,以学习连续曝光值表示。
在物体阴影生成上,团队则是使用3D图形应用(如Vulkan)和光线追踪技术,根据估计的主要光源位置生成插入物体的阴影。
最后的步骤,则是照片风格迁移。
框架对插入物体的外观进行微调,使其风格与背景视频完美融合,进一步提升了视频的逼真度。
这便是小鹏Anything in Any Scene在真实环境中生成物体较为逼真的原因了。
而与小鹏此次研究类似的效果,其实早在之前便有了许多工作。
例如名为GAIA-1的多模态生成式世界模型,便可以从头到脚的打造逼真的自动驾驶视频:
这里的每一帧都是由AI生成,甚至就连不同的路况和天气等等,都是可以做到以假乱真。
就连LeCun看了都惊叹不已:
不过这些AI效果虽真实,但也有网友提出了担忧之处,那便是网上虚假、生成的信息越发的逼真;因此,以后辨别信息的真假需要更加警惕。
目前,这个项目已经在GitHub中开源,感兴趣的小伙伴可以了解一下了~
参考链接:
[1]https://anythinginanyscene.github.io/
[2]https://arxiv.org/abs/2401.17509
- 纯国产万卡集群炼出万亿参数大模型,被这家央企率先做到了!2024-10-01
- Bengio精简了传统RNN,性能可与Transformer媲美2024-10-04
- AI手机与AIPC要安全,为什么离不开这款服务器CPU?2024-09-30
- OpenAI重磅发布Canvas:跟ChatGPT一起写作编程2024-10-04