图像转换3D模型只需5行代码，英伟达推出3D深度学习工具Kaolin

近年来，3D 计算机视觉和人工智能两个领域都取得了飞快的发展，但二者之间如何实现有效的结合还有很长的路要走。基于此，英伟达于今日推出了 Kaolin PyTorch 库，借助于这个库，只需几步即可将 3D 模型迁移至神经网络的应用范畴。

此外，Kaolin 库还可以大大降低为深度学习准备 3D 模型的工作量，代码可由 300 行锐减到仅仅 5 行。

作为一个旨在加速 3D 深度学习研究的 PyTorch 库，Kaolin 为用于深度学习系统中的可微 3D 模块提供了高效的实现。Kaolin 不仅能够加载和预处理流行的 3D 数据集，而且具有操作网格、点云、符号距离函数和体素栅格（voxel grid）的本地功能，因而可以减少编写不必要的样本代码。

Kaolin 库包含渲染（rendering）、高光（lighting）、暗影（shading）和视图合成（view warping）等几种不同的图形模块。此外，Kaolin 库还支持一系列用于无缝衔接评价（seamless evaluation）的损失函数和评价度量，并提供可视化功能来渲染 3D 效果。重要的是，英伟达创建了包含诸多当前最优 3D 深度学习架构的 model zoo，从而作为未来研究的起点。

此类工具可以使得机器人、自动驾驶、医学成像和虚拟现实等诸多领域的研究者获益。随着人们对 3D 模型的兴趣日益高涨，英伟达的 Kaolin 库可以在该领域产生重大影响。在线存储库（repo）现已拥有很多 3D 数据集，这在一定程度上得益于世界各地所使用的、能够捕获 3D 图像的约 3000 万个深度摄像头。

GitHub 地址：https://github.com/NVIDIAGameWorks/kaolin/

那么 Kaolin 库的具体展示效果是怎样的呢？英伟达给出了以下几个实际应用示例：

在 3D 场景中，通过分类功能来识别对象（图中识别出了椅子）

3D 组件分割功能可以自动识别 3D 模型的不同组件，这使得「装备」动画角色或自定义模型以生成对象变体更加容易（图左的 3D 模型在图右穿上了衣服、鞋子等）

图像到 3D（Image to 3D）功能可以根据训练的神经网络识别出的图像来构建 3D 模型（图右生成了椅子的 3D 模型）

目前，英伟达推出的 beta 版 Kaolin 库包含几项处理功能，用于网格、体素、符号距离函数和点云上的 3D 深度学习。加载的几个流行的数据集（如 ShapeNet、ModelNet 和 SHREC）支持开箱即用。此外，英伟达还实现了几种 3D 迁移和转换操作。

Kaolin 库支持的 3D 任务如下：

• 可微渲染器（神经网格渲染器、软光栅化器（Soft Rasterizer）、基于可微插值的渲染器以及模块化和可扩展的抽象可微渲染器规范）；
• 基于单张图像的网格重建（如 Pixel2Mesh、GEOMetrics、OccupancyNets 等）；
• 点云分类和分割（PointNet、PoinNet++、DGCNN 等）；
• 网格分类和分割；
• 体素栅格的 3D 超分辨；
• 基本的图像处理（如高光、暗影等）。

Kaolin 库的安装与使用

支持的平台

Kaolin 已经获得了 Linux 平台的官方支持，并已在 Ubuntu 18 上进行构建和测试。Windows 和 Mac 平台上也应考虑展开试验性的支持。

安装步骤

英伟达推荐用户在虚拟环境中安装 Kaolin 库（如利用 conda 或 virtualenv 创建的虚拟环境）。Kaolin 要求 Python 版本在 3.6 以上，并且目前在构建时需要启用 CUDA 的机器（即需要安装 nvcc）。

首先创建一个虚拟环境。下例展示了如何为创建安装 Kaolin 库所需要的 conda 虚拟环境：

1. $ conda create --name kaolin python=3.6 $ conda activate kaolin  

接着安装相关依赖（numpy 和 torch）。注意，设置文件并不能自动安装这两种依赖。

1. conda install numpy 

然后安装 Pytorch，这样就可以安装 Kaolin 库了。最后根据 repo 的根目录（即包含 README 文件的目录），运行：

1. $ python setup.py install 

在安装过程中，packman 包管理器将 nv-usd 包下载到~/packman-repo/中，后者包含阅读和编写通用场景描述（Universal Scene Description,USD）文件的必要包。

验证安装

为了验证是否安装完成 Kaolin 库，用户可以启动 python 解释器，并执行以下命令：

1. >>>import kaolin as kal>>> print(kal.__version) 

创建文档

为深入研究 Kaolin 库，用户可以创建文档。根据 repo 的根目录（即包含 README 文件的目录），执行以下命令：

1. $ cd docs $ sphinx-build . _build 

运行单元测试

为运行单元测试，用户可根据 repo 的根目录（即包含 README 文件的目录）执行以下命令：

1. $ pytest tests/ 

Kaolin 库的主要功能模块

repo：支持的 3D 资产表征包括三角网格、四边形网格、体素栅格、点云和符号距离函数；

转换：支持所有流行 3D 表征的转换；
实现的模型包括：

• DGCNN (https://arxiv.org/abs/1801.07829v1)
• DIB-R (https://arxiv.org/abs/1908.01210)
• GEOMetrics (https://arxiv.org/abs/1901.11461)
• Image2Mesh (https://arxiv.org/abs/1711.10669)
• Occupancy Network (https://arxiv.org/abs/1812.03828)
• Pixel2Mesh (https://arxiv.org/abs/1804.01654)
• PointNet (https://arxiv.org/abs/1612.00593)
• PointNet++ (https://arxiv.org/abs/1706.02413)
• MeshEncoder: A simple mesh encoder architecture.
• GraphResNet: MeshEncoder with residual connections.
• OccupancyNetworks (https://arxiv.org/abs/1812.03828)
• 其他

图形：库为构建可微渲染器提供了灵活的模块化框架，使得单个组件易于实现替换。此外，Kaolin 库还提供了以下可微渲染器的实现：

DIB-R (https://arxiv.org/abs/1908.01210)

SoftRas (https://arxiv.org/abs/1904.01786)

Neural 3D Mesh Renderer (https://arxiv.org/abs/1711.07566)

度量：实现的度量和损失函数如下：

Mesh: Triangle Distance, Chamfer Distance, Edge Length regularization, Laplacian regularization, Point to Surface distance, Normal consistency