Facebook近日開源了將PyTorch用于3D深度學習的函數庫 PyTorch3D，這是一個高度模塊化且經過優化的庫，具備獨有的功能，旨在通過PyTorch簡化3D深度學習。PyTorch3D為3D數據提供了一組常用的3D運算符和快速且可微分的損失函數(loss function)，以及模塊化的可微分渲染API。通過上述的功能，研究人員可以立即將這些函數導入至當前最先進的深度學習系統中。

　　研究人員和工程師可以利用PyTorch3D進行各種3D深度學習研究(無論是3D重構、集束調整，乃至3D推理)，以及改進在二維空間下的識別任務。

　　對三維空間的認知，在人工智能與真實世界的互動過程中扮演著十分重要的角色。例如機器人在物理空間中的導航、改進虛擬現實體驗，以及識別2D內容中被遮擋的物體等。不過即便有豐富深度學習技術積累的Facebook，在面對3D的深度學習問題時依然會被困擾。Facebook表示，之所以深度學習技術較少用于3D場景，是因為缺乏足夠的工具和資源來支撐神經網絡與3D數據結合使用的復雜性，這種場景要求更多的內存與更高的算力，不像2D圖像可以使用張量表示，而且許多傳統圖形運算符不可微分，因此3D深度學習技術的研究受到了限制。

　　為此，Facebook構建了PyTorch3D函數庫以推動3D深度學習研究，與PyTorch為2D識別任務提供高度優化的函數庫一樣，PyTorch3D通過提供批處理以及對3D運算符和損失函數的支持來優化訓練和推理。為了簡化3D模型批處理的復雜度，Facebook創建了Meshes格式，這是一種專為深度學習應用程序設計，用于批處理的異構網格模型數據結構。

　　這種數據結構可以讓研究人員輕松地將基礎網格模型數據快速轉換成不同的視圖，以使運算符與數據的最有效表示方式相匹配。更重要的是，PyTorch3D為研究人員和工程師提供了能夠靈活地在不同的表示視圖之間進行有效切換的方式，并訪問不同的網格屬性。

　　渲染是計算機圖形學中的核心內容，它可將3D模型轉換為2D圖像。這也是在3D場景屬性(scene properties)和2D圖像像素之間建立橋接的常規手段。不過傳統渲染引擎無法進行微分，因此它們不能被合并至深度學習工作管道中。所以，Facebook在PyTorch3D內置了高度模塊化的可微分渲染器，能用來處理可微分的3D數據。此功能的實現由可組合單元組成，允許用戶輕松擴展渲染器以支持自定義照明或陰影效果。

　　Facebook將這些功能打包成工具包，并提供了運算符、異構批處理功能和模塊化可微分的渲染API等，幫助研究人員進行復雜的3D神經網絡應用研究。

　　查看 PyTorch3d 文檔：https://pytorch3d.org/docs/why_pytorch3d.htm

特別提醒：本網內容轉載自其他媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。