晓查发自凹非寺
量子位报道公众号 QbitAI
在拍照时我们常常会遇到这样的苦恼：由于设置的快门时间太长，快速运动的物体会在身后产生严重的拖影。
除非是为了特殊的艺术效果，一般来说这张照片就报废了。
然而来自 MIT 的研究人员却告诉我们，拍糊了的照片不要扔，丢给这个神经网络，还你一份运动视频。拖影里包含的信息其实可以找回丢失的时间维度。
他们提出的模型可以从运动模糊的图像中重新创建视频。论文第一作者说： 我们能够恢复这个细节几乎就像魔术一样。
不仅如此，作者还表示，这种模型不仅可以解决时间维度上的损失，还能挽救空间维度上的损失。未来这种技术甚至可能从 2D 医学图像中检索 3D 数据，只用一张X光片得到 CT 扫描的信息。
目前这篇论文已经被计算机视觉顶会 ICCV 2019 收录。
恢复视频并不容易
照片和视频通常会将时空折叠到更低维度上，我们将之称为 投影 （projection）。
比如拍摄X光片，是把 3D 图片投影到一张 2D 底片上，这是空间上的投影。长时间曝光，让星星在照片上留下常常的轨迹，这是时间上的投影。
投影过程中会丢失信息，下面的向量投影中，我们就损失掉了另一个维度的信息，而且完全无法恢复。
但是大多数物体的尺寸通常比其在图像中拖影的尺寸小得多，研究人员可以通过投影的信号生成恢复原貌的概率模型。
之前，也是来自 MIT 一项研究，用一种 角落照相机 的算法可以检测到拐角处的人。在这样的场景中，由于边缘遮挡物的存在，场景的反射光会沿空间维度塌陷。
但是这种算法并不完善，目前仅能根据模糊图像恢复一些简单的线条。而最新的这项研究则可以较清晰地恢复物体的原貌。
从模糊中恢复真相
MIT 的研究人员收集了一个由 35 个视频组成的数据集，其中有 30 个人在指定区域中行走。他们将所有视频折叠成用于训练和测试模型的投影。
模型从投影中精确地重新恢复了人行走过程中的 24 帧。而且该模型似乎了解到，随着时间而变暗和变宽的像素可能对应于一个人在靠近相机。
此外，他们还在人脸数据集 FacePlace 上进行了测试，从左右摆动高度模糊的图像中恢复出五官样貌。
如果图像中有两个物体在运动，该算法也能处理。
研究人员让两个 MNIST 手写体数字相互运动，图像甚至模糊到连一般人也看不出里面是什么，但 AI 模型不但推断出了数字的笔画形状，还分析出了两个数字的运动方向。
原理
实现从 2D 投影到恢复 3D 时空的的网络架构如下图所示：
该网络有三个参数化函数：q ( ) 表示变分后验分布，p ( ) 表示先验分布，g ( ， )表示反投影网络。z在训练时从q网络中采样，在测试时从p网络中采样。
对于后验分布的参数编码器q，其中包含一系列 3D 跨度卷积运算符和 Leaky RELU 激活函数，以获得μ 和 两个分布参数。
条件先验编码器p以类似的方式实现，因为没有时间维度信息，它只有 2D 跨度卷积。
对于反投影函数g (x， z)，它使用 UNet 型的体系结构计算x的每个像素特征。UNet 分为两个阶段：在第一阶段，应用一系列 2D 跨度卷积算子提取多尺度特征；第二阶段应用一系列 2D 卷积和上采样操作，合成x和更多数据通道。
传送门
相关报道：
https://www.eurekalert.org/pub_releases/2019-10/miot-rd101619.php
论文地址：
https://arxiv.org/abs/1909.00475
