刷新世界纪录！腾讯光影研究室在CVPR单目深度估计竞赛中以绝对优势夺冠

近日，腾讯光影研究室(Tencent GY-Lab)凭借自研GYDepth算法，在CVPR 2021 Workshop的Mobile AI单目深度估计竞赛中以领先第二名9倍的绝对优势夺冠，击败三星、OPPO等手机厂商和国内外著名高校。

关于Mobile AI 2021

CVPR是世界计算机视觉三大顶级会议之一，Mobile AI是CVPR 2021其中一项Workshop比赛，除了单目深度估计竞赛之外，还包括图像超分、视频超分等任务。这项比赛以“Mobile”为名，主打移动端芯片上的AI能力，在AI相关技术领域受到广泛关注和高度认可，吸引着众多手机厂商如三星，OPPO和国内外著名高校参与。

光影实验室自研GYDepth算法，斩获单目深度估计竞赛第一名

单目深度估计是计算机视觉领域的一项基础任务，其目的在于让普通的RGB摄像头能够识别出视野内的物体距离摄像头的远近。单目深度估计技术的完善能够让主流AR玩法摆脱深度摄像头的限制，走向更普遍的机型。

比赛的最终指标由模型精度与模型速度两部分组成，而此次比赛中，单目深度估计的数据大多来自室外场景，并由ZED双目摄像头采集。相比传统AR玩法常用的室内场景的多样性会更多，难度更大。

针对Mobile AI室外场景，腾讯光影研究室在常规单目深度估计模型训练框架的基础上，对网络结构、训练方式、模型部署上做了针对性调整。

在网络结构设计上，团队在模型小型化上投入了大量精力。整体网络是一个标准的Encoder-Decoder模型，模型自原图输入后经过了4次共16倍的下采样，然后经过特征融合模块再逐层上采样回初始的分辨率。在模型上采样的过程中，由于模型部署条件的限制，腾讯光影研究室摒弃了Depthwise Deconvolution的方案，转而选择了实现更加高效的Resize + Depthwise Convolution组合。不过，小模型自然也会带来精度指标的降低。为了弥补这一差距，团队在训练流程中引入了在线蒸馏。由于单目深度估计本身就是对输出的单通道Feature Map进行回归，这里继续对Soft Label进行蒸馏会和GT产生歧义，因此他们选择在Hint Feature进行蒸馏，并且使用了网络结构类似的服务器端开源大模型Bts作为Teacher。

除此之外，在训练过程中，团队除了使用常规的Flip、Color Transform外，还针对固定分辨率下绝对深度的特性，对RGBD图片对采用了Random Crop的策略。和常规Crop不同，团队在Crop后利用相似三角形的特性对Depth的值进行了补偿，其背后的原理类似于使用相机拍摄时，把画面放大和拍摄者向前走能达到一样的效果。

另外，在模型部署上，Mobile AI Depth竞赛要求提交的模型以Float32 TFLite形式在树莓派Raspberry Pi 4上以CPU运行。这意味着传统上针对Conv等基础算子在CPU上的计算优化是不可用的，模型的速度实打实的和模型计算量正相关。为了满足比赛提交的要求，腾讯光影研究室打通了PyTorch -> Onnx -> Keras -> TFLite的转换路径，并确保了转换前后模型端到端精度误差小于1e-6。

持续深耕AI前沿技术研发，赋能更多应用场景

实际上，光影研究室的AR玩法中，或多或少都有单目深度估计技术的身影，通过压缩、剪枝、蒸馏获得的小模型，可以在手机移动端实时运行，并覆盖ios和android双端90%以上的机型。目前单目深度估计技术已作为基础能力在多个AR玩法中发挥作用。比如，在手机QQ的AR蛋糕等贴纸类玩法中，单目深度估计技术提供了贴纸目标在空间中的方向与位置，使得AR算法能够快速初始化;在水淹食堂特效中，单目深度估计模型提供了视野中每个点距离相机的远近，结合相机内外参可以计算其在世界坐标系下的位置，从而实现AR特效。

未来，光影研究室也将持续深耕AI前沿技术的研发和积累，探索并开放更多场景的创意玩法及能力，为用户提供充满趣味惊喜的社交和视觉新体验。