Tracking Everything Everywhere All at Once.

前段時(shí)間，Meta 發(fā)布「分割一切（SAM）」AI 模型，可以為任何圖像或視頻中的任何物體生成 mask，讓計(jì)算機(jī)視覺（CV）領(lǐng)域研究者驚呼：「CV 不存在了」。之后，CV 領(lǐng)域掀起了一陣「二創(chuàng)」狂潮，一些工作陸續(xù)在分割的基礎(chǔ)上結(jié)合目標(biāo)檢測(cè)、圖像生成等功能，但大部分研究是基于靜態(tài)圖像的。

現(xiàn)在，一項(xiàng)稱為「追蹤一切」的新研究為動(dòng)態(tài)視頻中的運(yùn)動(dòng)估計(jì)提出了新方法，能夠準(zhǔn)確、完整地追蹤物體的運(yùn)動(dòng)軌跡。

該研究由來自康奈爾大學(xué)、谷歌研究院和 UC 伯克利的研究者共同完成。他們聯(lián)合提出了一種完整且全局一致的運(yùn)動(dòng)表征 OmniMotion，并提出一種新的測(cè)試時(shí)（test-time）優(yōu)化方法，對(duì)視頻中每個(gè)像素進(jìn)行準(zhǔn)確、完整的運(yùn)動(dòng)估計(jì)。

• 論文地址：https://arxiv.org/abs/2306.05422

• 項(xiàng)目主頁：https://omnimotion.github.io/

有網(wǎng)友在推特上轉(zhuǎn)發(fā)了這項(xiàng)研究，僅一天時(shí)間就收獲了 3500 + 的點(diǎn)贊量，研究內(nèi)容大受好評(píng)。

從該研究發(fā)布的 demo 看，運(yùn)動(dòng)追蹤的效果非常好，例如追蹤跳躍袋鼠的運(yùn)動(dòng)軌跡：

蕩秋千的運(yùn)動(dòng)曲線：

還能交互式查看運(yùn)動(dòng)追蹤情況：

即使物體被遮擋也能追蹤運(yùn)動(dòng)軌跡，如狗在跑動(dòng)的過程中被樹遮擋：

在計(jì)算機(jī)視覺領(lǐng)域，常用的運(yùn)動(dòng)估計(jì)方法有兩種：稀疏特征追蹤和密集光流。但這兩種方法各有缺點(diǎn)，稀疏特征追蹤不能建模所有像素的運(yùn)動(dòng)；密集光流無法長時(shí)間捕獲運(yùn)動(dòng)軌跡。

該研究提出的 OmniMotion 使用 quasi-3D 規(guī)范體積來表征視頻，并通過局部空間和規(guī)范空間之間的雙射（bijection）對(duì)每個(gè)像素進(jìn)行追蹤。這種表征能夠保證全局一致性，即使在物體被遮擋的情況下也能進(jìn)行運(yùn)動(dòng)追蹤，并對(duì)相機(jī)和物體運(yùn)動(dòng)的任何組合進(jìn)行建模。該研究通過實(shí)驗(yàn)表明所提方法大大優(yōu)于現(xiàn)有 SOTA 方法。

方法概述

該研究將幀的集合與成對(duì)的噪聲運(yùn)動(dòng)估計(jì)（例如光流場(chǎng)）作為輸入，以形成整個(gè)視頻的完整、全局一致的運(yùn)動(dòng)表征。然后，該研究添加了一個(gè)優(yōu)化過程，使其可以用任何幀中的任何像素查詢表征，以在整個(gè)視頻中產(chǎn)生平滑、準(zhǔn)確的運(yùn)動(dòng)軌跡。值得注意的是，該方法可以識(shí)別畫面中的點(diǎn)何時(shí)被遮擋，甚至可以穿過遮擋追蹤點(diǎn)。

OmniMotion 表征

傳統(tǒng)的運(yùn)動(dòng)估計(jì)方法（例如成對(duì)光流），當(dāng)物體被遮擋時(shí)會(huì)失去對(duì)物體的追蹤。為了在遮擋的情況下也能提供準(zhǔn)確、一致的運(yùn)動(dòng)軌跡，該研究提出全局運(yùn)動(dòng)表征 OmniMotion。

該研究試圖在沒有顯式動(dòng)態(tài) 3D 重建的情況下準(zhǔn)確追蹤真實(shí)世界的運(yùn)動(dòng)。OmniMotion 表征將視頻中的場(chǎng)景表示為規(guī)范的 3D 體積，通過局部規(guī)范雙射（local-canonical bijection）映射成每個(gè)幀中的局部體積。局部規(guī)范雙射被參數(shù)化為神經(jīng)網(wǎng)絡(luò)，并在不分離兩者的情況下捕獲相機(jī)和場(chǎng)景運(yùn)動(dòng)。基于此種方法，視頻可以被視為來自固定靜態(tài)相機(jī)局部體積的渲染結(jié)果。

由于 OmniMotion 沒有明確區(qū)分相機(jī)和場(chǎng)景運(yùn)動(dòng)，所以形成的表征不是物理上準(zhǔn)確的 3D 場(chǎng)景重建。因此，該研究稱其為 quasi-3D 表征。

OmniMotion 保留了投影到每個(gè)像素的所有場(chǎng)景點(diǎn)的信息，以及它們的相對(duì)深度順序，這讓畫面中的點(diǎn)即使暫時(shí)被遮擋，也能對(duì)其進(jìn)行追蹤。

實(shí)驗(yàn)及結(jié)果

定量比較

研究者將提出的方法與 TAP-Vid 基準(zhǔn)進(jìn)行比較，結(jié)果如表 1 所示。可以看出，在不同的數(shù)據(jù)集上，他們的方法始終能實(shí)現(xiàn)最佳的位置準(zhǔn)確性、遮擋準(zhǔn)確性和時(shí)序一致性。他們的方法可以很好地處理來自 RAFT 和 TAP-Net 的不同的成對(duì)對(duì)應(yīng)輸入，并且在這兩種基準(zhǔn)方法上提供了一致的改進(jìn)。

定性比較

如圖 3 所示，研究者對(duì)他們的方法和基線方法進(jìn)行了定性比較。新方法在（長時(shí)間）遮擋事件中顯示出了出色的識(shí)別和追蹤的能力，同時(shí)在遮擋期間為點(diǎn)提供合理的位置，并處理很大的攝像機(jī)運(yùn)動(dòng)視差。

消融實(shí)驗(yàn)與分析

研究者利用消融實(shí)驗(yàn)來驗(yàn)證他們?cè)O(shè)計(jì)決策的有效性，結(jié)果如表 2 所示。

在圖 4 中，他們展示了由他們的模型生成的偽深度圖，以展示學(xué)習(xí)到的深度排序。

需要注意的是，這些圖并不對(duì)應(yīng)于物理深度，然而，它們展示了僅使用光度和光流信號(hào)時(shí)，新方法能夠有效地確定不同表面之間的相對(duì)順序，這對(duì)于在遮擋中進(jìn)行追蹤至關(guān)重要。更多的消融實(shí)驗(yàn)和分析結(jié)果可以在補(bǔ)充材料中找到。