ARCore 是谷歌于去年 2 月份正式推出的 增強(qiáng)現(xiàn)實(shí)（AR）軟件開發(fā)工具包，給開發(fā)者提供了一個(gè)開發(fā) AR APP 的平臺(tái)。不到一個(gè)月前，谷歌正式推出ARCore 1.7 版本，為其添加了前置攝像頭 AR 自拍能力以及動(dòng)畫效果支持；而日前，谷歌又為其引入了機(jī)器學(xué)習(xí)技術(shù)，使其實(shí)時(shí)自拍 AR 的逼真效果更進(jìn)一步，該技術(shù)相關(guān)的文章發(fā)布在谷歌 AI 的官方博客上。

增強(qiáng)現(xiàn)實(shí)（AR）通過將數(shù)字內(nèi)容與信息疊加到物質(zhì)世界的真實(shí)場(chǎng)景中，來讓人類實(shí)現(xiàn)超越現(xiàn)實(shí)的感官體驗(yàn)。例如，谷歌地圖的 AR 功能，能夠在現(xiàn)實(shí)場(chǎng)景中疊加方向信息來為你指路。借助于Pixel 相機(jī)中的 Playground 模式，你可以使用 AR 從不同的視角看世界。并且通過借助于最新發(fā)布的「YouTube Stories」以及ARCore 全新的面部增強(qiáng)（Augmented Faces）API，你可以在自拍上添加動(dòng)畫面具、眼鏡、帽子、皮膚等特效。

實(shí)現(xiàn)這種 AR 功能的關(guān)鍵挑戰(zhàn)之一，就是以合適的方式將虛擬內(nèi)容錨定到現(xiàn)實(shí)世界：這一過程需要一套能夠追蹤到每一次微笑、皺眉或假笑的高動(dòng)態(tài)表面幾何結(jié)構(gòu)的獨(dú)特的感知技術(shù)。

ARCore 的3D 網(wǎng)格以及它能實(shí)現(xiàn)的一些特效

為此，我們引入了機(jī)器學(xué)習(xí)（ML）技術(shù)來推斷近似的 3D 表面幾何結(jié)構(gòu)，并且僅需要用到一個(gè)單攝像頭輸入而無需使用專用的深度傳感器。這種方法利用面向移動(dòng) CPU 界面推斷或其可用的全新移動(dòng) GPU 功能的TensorFlow Lite，實(shí)現(xiàn)了逼真的實(shí)時(shí) AR 效果。與「 YouTube Stories」 全新的創(chuàng)作者特效所利用的技術(shù)一樣，這項(xiàng)技術(shù)已通過最新的 ARCore SDK和ML Kit Face Contour Detection API向廣泛的開發(fā)者社區(qū)開放。

用于自拍 AR 的機(jī)器學(xué)習(xí)工作流

我們的機(jī)器學(xué)習(xí)工作流由兩個(gè)協(xié)同工作的實(shí)時(shí)深度神經(jīng)網(wǎng)絡(luò)模型組成：一個(gè)是探測(cè)器，它在整張圖像上運(yùn)行并計(jì)算出面部位置；另一個(gè)是通用的 3D 網(wǎng)格模型，它在探測(cè)器計(jì)算出來的面部位置上運(yùn)行，并通過回歸預(yù)測(cè)近似的表面幾何結(jié)構(gòu)。精確地裁剪面部能夠極大地減少對(duì)一般的數(shù)據(jù)增強(qiáng)的要求，例如由旋轉(zhuǎn)、平移和比例變換組成的仿射變換（affine transformations）等，同時(shí)讓網(wǎng)絡(luò)將大部分性能投入于預(yù)測(cè)坐標(biāo)來提高其準(zhǔn)確性——這對(duì)于錨定合適的虛擬內(nèi)容至關(guān)重要。

裁剪完所關(guān)注的位置后，該網(wǎng)格網(wǎng)絡(luò)一次僅應(yīng)用于一個(gè)單幀，并利用加窗平滑（windowed smoothing）來減少面部處于靜態(tài)時(shí)的噪音，同時(shí)避免在大幅移動(dòng)期間出現(xiàn)的延遲。

針對(duì) 3D 網(wǎng)格，我們采用了遷移學(xué)習(xí)，并訓(xùn)練了一個(gè)具有多個(gè)目標(biāo)的網(wǎng)絡(luò)：該網(wǎng)絡(luò)能夠同時(shí)地基于合成、渲染的數(shù)據(jù)預(yù)測(cè) 3D 網(wǎng)格坐標(biāo)以及基于類似于MLKit所提供的帶有注釋的、現(xiàn)實(shí)世界的數(shù)據(jù)預(yù)測(cè) 2D 語義輪廓。最終的網(wǎng)絡(luò)為我們提供了基于合成數(shù)據(jù)乃至現(xiàn)實(shí)世界數(shù)據(jù)的合理的 3D 網(wǎng)格預(yù)測(cè)。所有模型都在源自于地理學(xué)多樣化的數(shù)據(jù)集的數(shù)據(jù)上進(jìn)行訓(xùn)練，并接著在平衡、多樣化的測(cè)試集上進(jìn)行定性和定量性能的測(cè)試。

3D 網(wǎng)格網(wǎng)絡(luò)接收經(jīng)裁剪的視頻幀作為輸入。由于它不依賴于額外的深度輸入，因而也可以應(yīng)用于預(yù)先錄制的視頻。該模型不僅輸出 3D 點(diǎn)的位置，還輸出在輸入中存在并合理對(duì)齊的面部概率。一種常見的替代方法就是為每個(gè)地標(biāo)預(yù)測(cè)出 2D 熱圖，但這種方法并不適用于深度預(yù)測(cè)，并且對(duì)于如此多的數(shù)據(jù)點(diǎn)來說，使用這種方法耗費(fèi)的計(jì)算成本非常高。

通過迭代自展和精煉預(yù)測(cè)，我們進(jìn)一步提高了模型的準(zhǔn)確性和魯棒性，同時(shí)也將數(shù)據(jù)集發(fā)展成為愈加具有挑戰(zhàn)性的實(shí)例，如鬼臉，拍攝角度傾斜以及面部遮擋等。此外，數(shù)據(jù)集增強(qiáng)技術(shù)也擴(kuò)展了可用的 ground truth 數(shù)據(jù)，并開發(fā)出了對(duì)攝像頭瑕疵等人工產(chǎn)品問題或極端光照條件具有彈力的模型。

數(shù)據(jù)集擴(kuò)展和改善路徑

專為硬件定制的界面

我們使用 TensorFlow Lite 進(jìn)行設(shè)備內(nèi)置的神經(jīng)網(wǎng)絡(luò)推理。新推出的 GPU 后端加速能夠有效提升性能，并顯著降低功耗。此外，我們還設(shè)計(jì)了具有不同性能和效率特性的一系列模型架構(gòu)，來覆蓋到更加廣泛的消費(fèi)級(jí)硬件。較簡(jiǎn)單網(wǎng)絡(luò)之間的最重要的區(qū)別就在于殘差塊（Residual Block）設(shè)計(jì)和可接受的輸入分辨率（最簡(jiǎn)單模型中的輸入分辨率為 128×128 像素，而最復(fù)雜模型中的輸入分辨率為 256×256）。同時(shí)，我們還改變了層數(shù)以及子采樣率（輸入分辨率隨網(wǎng)絡(luò)深度的減少而減少的速度）。

每一幀的推斷時(shí)間：CPU vs. GPU

這一系列的優(yōu)化的結(jié)果就是：使用更簡(jiǎn)單的模型帶來了實(shí)質(zhì)性的加速，同時(shí)也將 AR 特效質(zhì)量的降低幅度最小化。

這些成果最終則能夠通過以下方式，讓用戶在 YouTube、ARCore 以及其他客戶端體驗(yàn)到更加逼真的自拍 AR 效果：

通過環(huán)境映射模擬光反射，來實(shí)現(xiàn)眼鏡的逼真渲染；

通過將虛擬的目標(biāo)陰影投射到面部網(wǎng)格上，來實(shí)現(xiàn)了自然光照效果；

對(duì)面部遮擋進(jìn)行建模，來隱藏面部后面的虛擬目標(biāo)部分，如下所示的虛擬眼鏡案例。

另外，我們還通過以下方式實(shí)現(xiàn)了逼真的妝容效果：

對(duì)應(yīng)用到嘴唇上的鏡面反射進(jìn)行建模；

利用亮度感知材料來實(shí)現(xiàn)面部著色。

案例對(duì)比：5 個(gè)目標(biāo)在不同光線下的真實(shí)化妝效果以及 AR 化妝效果

我們很高興將這項(xiàng)新技術(shù)分享給創(chuàng)作者、用戶以及開發(fā)者。感興趣的讀者可以通過下載最新的 ARCore SDK （下載地址：https://developers.googleblog.com/2019/02/new-ui-tools-and-richer-creative-canvas.html）來將這項(xiàng)技術(shù)用起來。未來，我們還計(jì)劃將這項(xiàng)技術(shù)廣泛應(yīng)用到更多的谷歌產(chǎn)品線中。