もう半年前のことですが、昨年12月に東京国際フォーラムで開催されたSiggraph Asia 2018 Tokyoで聴講したCourse CreativeAI:Deep Learning for Graphicsの復習を(今頃)しておこうかと。
「CGのためのディープラーニング」とか「CGに使えるディープラーニング」という趣旨でしょうか。
途中休憩を挟んだとはいえ、3時間を超えるセッションは結構しんどくもあり、すぐに咀嚼できなかったのである。
幸い、Courseの資料はWebで公開されている↓
CreativeAI:Deep Learning for Graphics
近年、古くからコンピューターグラフィックス分野で課題とされてきたことの多くが、データドリブンな手法 ディープラーニングの登場によって上手く扱えるようになってきた。deep networkは様々な課題設定で利用され、従来のハンドクラフトな手法に圧倒的な差をつけてstate-of-the-artを達成している。
本チュートリアルでは、ディープラーニングの理論、実践、そしてグラフィックス分野へ応用事例を解説する。
いつのまにやらページが更新されていた。このCourseはSiggraph Asia 2018だけでなく、Eurographics 2018でもやってたんですね。
そして、どうやら今年の夏のSiggraph 2019でもこのCourseが設けられるらしい。CG分野でもディープラーニングの注目度はかなり高いようだ。
Courseのサンプルコード(Jupyter)も公開されている↓
https://github.com/smartgeometry-ucl/dl4g
とりあえず、Siggraph Asia 2018で使われた資料で復習していこう。
すでに機械学習やニューラルネットワーク、識別モデル(Discriminative Model)の基本的な知識があるなら、Part 1〜4は読み飛ばして、教師なし学習、生成モデル(Generative Model)についてのPart 5ぐらいから読み始めれば良い。
というか、オイラ自身がまだ教師なし学習や生成モデルについてあんまりよく知らないのである。
http://kento1109.hatenablog.com/entry/2018/01/10/111249
今のところ生成モデルについては
あるドメインの確率分布を学習した生成モデルに任意のパラメータを与えると、必ずそのドメインに収まる生成結果が出力される。
というレンダラのような存在と理解している。
GANの勉強しようと思ってたけど、Autoencoderからちゃんと見て行った方が良さそうだ。
- Autoencoder
- VAE:Variational Autoencoder
- GAN:Generative Adversarial Networks
Part 6で紹介されているように、生成モデルのグラフィックスへの応用は画像がかなり先行している。これはディープラーニングの識別モデルで画像を扱う研究が盛んな恩恵か。畳み込みニューラルネットワークが大活躍。
Part 7では、CG分野で使われる3Dデータをニューラルネットワークで扱えるベクトルの形に落とし込んで畳み込むための様々な工夫が紹介されている。
最近、GitHubで3Dのデータを扱った機械学習手法をまとめているリポジトリの存在を知った↓
https://github.com/timzhang642/3D-Machine-Learning
Part 8ではモーションのパラメータを少ない次元に圧縮して表現したり、粗い流体シミュレーションを超解像化したり。
そういえば、流体シミュレーションを機械学習で近似して高速化するアプローチもありましたね↓
う〜ん、復習しようにも案外スライドに載っている情報は少なかったな…
このCourseでは触れられてなかったけど、CGレンダリングの各プロセスを微分可能にするアプローチはどういうジャンルなんだろう。
Neural 3D Mesh Rendererが有名だけど。
https://qiita.com/no_more_syakai/items/f1358e33e8376ae1766d
http://ai-scholar.tech/treatise/renderer-ai-215/
とりあえずPyTorch実装を読んでみるか?
https://github.com/daniilidis-group/neural_renderer
CGのためのディープラーニングについて、もうちょっと詳しい情報がないかと探していたら、電子情報通信学会の総合大会で筑波大学の金森先生が講演したスライドが公開されていた↓
CG分野は人間が手作業で多次元のパラメータを編集していると考えると狂気の世界だけど、CGって従来そういう人達が牽引してきた産業なのよね。
パラメータをいじってはレンダリング結果を確かめる試行錯誤って、機械学習と似ている気もする。
追記:とりあえずGANについて勉強し始めた↓
2020年6月 追記:Hands-on Workshop Machine Learning and Neural Networksの動画が公開されたぞ↓
関連記事
ZBrushでアヴァン・ガメラを作ってみる 頭頂部と首周りを...
日立のフルパララックス立体ディスプレイ
OpenMesh:オープンソースの3Dメッシュデータライブラ...
Unreal Engineの薄い本
ZBrushと液晶ペンタブレットでドラゴンをモデリングするチ...
AR (Augmented Reality)とDR (Dim...
ZBrushでアヴァン・ガメラを作ってみる 下アゴの付け根を...
ZBrushでゴジラ2001を作ってみる 身体のSubToo...
OpenCVの超解像(SuperResolution)モジュ...
株式会社ヘキサドライブの研究室ページ
ZBrushでアヴァン・ガメラを作ってみる 全体のバランス調...
ラクガキの立体化
BlenderProc:Blenderで機械学習用の画像デー...
UnityでPoint Cloudを表示する方法
ZBrushでUndo Historyを動画に書き出す
Mayaのポリゴン分割ツールの進化
フリーのUV展開ツール Roadkill UV Tool
ヘッドマウントディスプレイとビジュアリゼーションの未来
ラクガキの立体化 目標設定
Netron:機械学習モデルを可視化するツール
UnityのTransformクラスについて調べてみた
CEDEC 3日目
イタリアの自動車ブランドFiatとゴジラがコラボしたCMのメ...
顔検出・認識のAPI・ライブラリ・ソフトウェアのリスト
Maya API Reference
ZBrushでメカ物を作るチュートリアル動画
ラクガキの立体化 進捗
OpenCVでPhotoshopのプラグイン開発
この本読むよ
OpenCVで平均顔を作るチュートリアル
MVStudio:オープンソースのPhotogrammetr...
ArUco:OpenCVベースのコンパクトなARライブラリ
ジュラシック・パークのメイキング
uvでWindows11のPython環境を管理する
映画『ジュラシック・ワールド/新たなる支配者』を観た
Rerun:マルチモーダルデータの可視化アプリとSDK
顔追跡による擬似3D表示『Dynamic Perspecti...
3DCG Meetup #4に行ってきた
ZBrushCore
テスト
ZBrushでアヴァン・ガメラを作ってみる 脚のポーズ調整
Siggraph Asia 2009 カンファレンスの詳細
コメント