CGのためのディープラーニング

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 14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↓


Deep Fluids:流体シミュレーションをディープラーニングで近似する
チューリッヒ工科大学(ETH Zurich)、ミュンヘン工科大学、Pixarによるディープラーニングで流体シミュレーションを近似する研究 Deep Fluids: A Generative Network for Parameterized...


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。
TensorFlowでCGを微分できる『TensorFlow Graphics』
Google I/Oでの発表に合わせて、TensorFlowのネットワークでCG Rendererを扱うためのライブラリ TensorFlow Graphicsが公開された。最近の3DCG系のディープラーニングでよく聞く「微分可能なRend...


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

「ベンジャミン·バトン数奇な人生」でどうやってCGの顔を作っ...

TensorFlowでCGを微分できる『TensorFlow...

オープンソースのネットワーク可視化ソフトウェアプラットフォー...

Mitsuba 2:オープンソースの物理ベースレンダラ

単純に遊びに行くのはだめなのか?

ZBrushでアヴァン・ガメラを作ってみる 甲羅の修正・脚の...

ZBrushでゴジラ2001を作ってみる 頭の概形作り

MRenderUtil::raytrace

ジュラシック・パークのメイキング

DensePose:画像中の人物表面のUV座標を推定する

PythonでBlenderのAdd-on開発

ZBrushのTranspose Masterでポーズを付け...

TorchStudio:PyTorchのための統合開発環境と...

fSpy:1枚の写真からカメラパラメーターを割り出すツール

TVML (TV program Making langua...

Transformers ”Reference & Buli...

オープンソースの物理ベースレンダラ『Mitsuba』をMay...

JavaによるCGプログラミング入門サイト (日本語)

Physics Forests:機械学習で流体シミュレーショ...

Unity ARKitプラグインサンプルのドキュメントを読む

Alice Vision:オープンソースのPhotogram...

テスト

ゴジラの造形

『ハン・ソロ/スター・ウォーズ・ストーリー』のVFXブレイク...

リアルタイム レイトレーシングAPI『DirectX Ray...

映画『シン・仮面ライダー』 メイキング情報まとめ

Fast R-CNN:ディープラーニングによる一般物体検出手...

FacebookがDeep learningツールの一部をオ...

openMVG:複数視点画像から3次元形状を復元するライブラ...

OpenFace:Deep Neural Networkによ...

Photoshopで作る怪獣特撮チュートリアル

OpenCV 3.3.0-RCでsfmモジュールをビルド

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...

PureRef:リファレンス画像専用ビューア

1枚の画像からマテリアルを作成できる無料ツール『Materi...

bpy-renderer:レンダリング用Pythonパッケー...

Maya 2015から標準搭載されたMILA

3Dモデルを立体視で確認できるVRアプリを作っている

Windows Server 2008にAutodesk M...

ZBrushで仮面ライダー3号を造る ベース編

AfterEffectsプラグイン開発

プロシージャル手法に特化した本が出てるみたい(まだ買わないけ...

コメント