让模糊图片变视频，找回丢失的时间维度，MIT这项新研究简直像魔术

公众号/量子位

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 ψ (·|·) 表示变分后验分布，p φ (·|·) 表示先验分布，g θ (·, ·)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 ψ 和σ ψ 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 θ (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