前阵子读了一篇关于三维重建的论文，是Facebook团队联合华盛顿大学发表在CVPR2019上的。这一论文尝试用神经网络去近似SDF函数（将在后面进行简述），进而重建三维模型。
在阅读过程中我对其中的AutoDecoder概念产生了一定兴趣，特此将一些随想记录下来。
在谈论AutoDecoder之前，我想先用最少的文字说说这个传说中のDeepSDF。
用最简单易懂的语言来说，对于一个已知的三维模型，SDF(Signed Distance Function)就是一个三维空间中的函数，输入一个坐标点，返回该点到三位模型表面的距离。同时这个距离是有符号的，一般来说，对于模型外面的点，距离为正，而模型内部的点则为负。或者从观察者的角度，如果点在表面面向观察者的一侧，则为正，在背离观察者的一侧，则为负。
引用DeepSDF论文官方的兔兔说明一下：
各个方法对于SDF函数的存储往往是离散的，比如将三维空间是做一系列的“体素”（类比二维空间的“像素”），每个体素中存储一个SDF值，之后尝试用体素中等于或接近零的部分重建一个三维表面。
而DeepSDF论文呢，则尝试将SDF解析为一个连续的函数。虽然文章把这一点作为一个创新提出（包括将模型表面视作SDF回归的决策边界），其实我觉得这个很早应该就有人想到了，因为根本上来讲，SDF本来就应该是一个连续函数才对，只是受制于各种原因，我们无法为每个三维物体写出这个连续函数的完整形式。这也就是DeepSDF的思路，用神经网络这个“万能插值机”去近似这一函数。
事实上我之前也想过这个方向，也相信许多人尝试过这个思路。不过就像大多数DeepLearning落地的应用一样，真正需要做的工作在于如何科学地编码输入输出，以及如何Encapsulate你自己的领域知识到神经网络的结构和训练过程当中去。
文章一开始提出了一个显而易见的结构，就是直接拿个神经网络，输入坐标，输出SDF值，然后对每一个三维模型单独训练，充分发挥“插值机”的原始作用。不过显然，这种方法在现实中是很难应用的，因为对于每个新模型都要训练一个新神经网络，实在是太低效太不Generalizablism了，那么自然地，为了发挥深井网络Generalizability的优势，团队自然而然想到了使用一个Latent Vector去表示三维模型的原始形态，于是新的神经网络就变成了，给定一个用来表示三维模型的Latent Vector，附带一个用以查询的坐标点，返回这个坐标点所在位置的SDF值。
具体的神经网络结构和LossFunction的设计就不详述了，非常Straight forward，扫一眼论文就明白。
众所周知（并不）获得一个原始输入数据的Latent Vector Representation，大家最喜欢的方法之一就是训练一个AutoEncoder。然而DeepSDF则使用了一个稍有不同的东西，他们叫做AutoDecoder，故名思义，就是一个不训练Encoder的Decoder。
这里我想吐个大嘈，他们的论文说了一大堆不要Encoder的理由，比如AutoEncoder大家一般都只用一半而把另一半另一半扔掉什么的，说来说去没说到点上。强烈怀疑他们组提出使用AutoDecoder架构的人和最后执笔写论文的人沟通不畅。我自己读下来的感觉是，AutoDecoder的选用本质上是一个在FeedForward过程的速度，和数据本身潜在的复杂度和变数之间的取舍（如果我的理解有错，欢迎指正）
下面简单讲一下这个传说中の AutoDecoder：
如图所示，标准AutoEncoder的架构大体上是，一个输入，若干层（称为Encoder）之后有一个关键的瓶颈层（Code），瓶颈层后面若干层（称为Decoder）之后有一个和输入层长得一样的输出层。训练的时候努力让输出等于（甚至优于——比如修复类任务）输入，最后训练出来的瓶颈层，就是对输入数据的一种更紧凑的压缩，也叫做关于原始数据的Latent Vector。Latent Vector往往包含了原始数据最关键的那些信息，更加便于提取特征，等等等等。
而DeepSDF则提出，我们可以不要Encoder部分，而直接取用Decoder部分。
这就很TM诡异了，如果我只有一个Decoder，我怎么知道哪个Latent Vector对应原始输入呢？
官方给出的示意图长这样：
Hmm...不是很好懂，没错，不仅这图不太好懂，论文里的描述也乱七八糟，不过且慢，容我再画一张图：
这张图里，我们加入了一个额外的输入，称为第0层，而 Code 层则是一个纯 Linear 层，那么第 0 层对 Code 层的权重
即是我们要的 Latent Vector。
另外，Decoder 不必是解码成原始数据的样子，而是只要解码成目标函数的输出（比如SDF值）就好了。
那么对于DeepSDF来说，其结构事实上可以理解成：
- 第 0 层是一个恒为1的输入，
- Code 层和要查询的
一起输入到后面的深度神经网络
- 最后输出SDF函数
而这个训练过程则是：
-
对每个模型
，初始化一个独立的Latent Vector
（嗯，原论文用
表示Latent Vector，不过为了避免和空间坐标点
代替了）
- 然后对于每个
样本，选择该Vector作为到Code层的权重，即
，
- 再对整个神经网络（包含
）进行训练。
这样子训练下来，每个训练样本都渐渐就训练出了自己的Latent Vector，而Decoder则学习到了对每个Latent Vector，如何匹配其要查询的对应的sdf值。
可是既然这样，每个训练数据都训练出了自己独立的Latent Vector，那么面对新的数据（比如测试数据集）该怎么办？论文里轻描淡写了一个，可是这个
是怎么做的呢？难道还是对每个新数据重新训练一番？！
这里不得不吐槽一下，这个项目不仅论文抓不住重点，代码也写得乱七八糟，读得人晕头转向，重建的核心部分居然还存在# TODO: why is this needed这样的注释。我准备过一阵子专门针对机器学习界软件工程基础薄弱，代码凌乱不堪的现象开一篇文章。
于是带着迷惑我又去看了一遍这个项目的源码，然后发现还真的（差不多）是这样 。。。
不过比起直接用作为输入的那个版本，这个版本在面对新数据
的时候，锁定了整个Decoder，也就是说保持
的映射不变，而只训练新的
，大大减少了需要训练的参数数量。并且因为Decoder经过之前的训练，已经包含了关于训练数据的先验知识，所以这次Latent Vector训练的收敛将会十分迅速。
其实这里面我有一个小小的疑惑，为什么不保留论文最开始的结构（只输入），但是对于每个不同的模型，独立训练输入层对第一个隐藏层的权重，这样输入层对第一个隐藏层的变换可以视作一个“Latent Function”（对应“Latent Vector”的概念），将
的值变换为该模型对应的，隐空间下该点的特征。这样一来，神经网络的参数数量能够减少，并且也能够更好地表达Latent Coding和空间坐标之间的耦合关系。这一方面的比较和分析，如果有时间，我也有可能会去做一做。
所以，答案是，AutoDecoder的结构不能像AutoEncoder一样面对新数据时只需要一个Forward过程，而是需要根据后面的Decoder中隐含的先验知识，进行少量的训练，以找到一个Latent Code出来。
那么问题来了，为什么要使用一个无法进行实时推断而是每次都要训练的AutoDecoder来代替原有的AutoEncoder呢？
一个不那么具备说服力（但是论文里似乎确实提出了）的理由是，因为Decoder不必还原原始数据，而可以是近似目标函数，所以训练出来的Latent Vector，对于我们目标函数所需要的信息会更加友好。但是仔细想一想就会发现，如果我们直接使用原始数据进行输入，构建一个神经网络，然后在某一隐藏层拼接上查询。那么训练之后，我们就可以得到一个在预测时只需要Forward过程而无需再训练的神经网络，而被拼接了
的那一层也就可以视作Latent Vector。
所以……用AutoDecoder的深层原因到底是什么？
于是我去费劲巴拉地又读了一遍他们的代码，着重看了看Reconstruction部分，想办法搞明白这个神经网络到底在做什么之后，谜题便渐渐解开了。
首先，这个模型在重建的时候到底在干什么？这个问题在我读论文和代码的时候一度困扰了我很久，尤其是在我看到这个预期输出是SDF Value的神经网络在 Test - Evaluation 阶段，依然在测试数据集中包含SDF Value进行训练。进一步捋顺之后我反应过来他们在神经网络中的那一步Evaluation，实际上是在衡量这个神经网络能构造出一个多好的Latent Vector来近似测试数据集中的SDF Value，而不是尝试计算Reconstruct Error。而在真正的表面重建过程中，这个收敛出来的Latent Vector将和任意输入坐标一起得出一个SDF Value，进而实现任意精度的重建。
那么问题就逐渐明朗了，DeepSDF在做的事情，其实是对于有限精度采样的SDF数据，在包含先验知识的Decoder的帮助下，回归出一个连续的SDF函数，从而实现将有穷精度的数据转换成任意精度的查询器，以便进行精细重建。
返回来看这个AutoDecoder在测试数据上的训练过程（即寻找Latent Vector的过程），我们发现，可以将一个模型的所有采样点作为一个完整的epoch，而不是把单个模型的全部采样数据一股脑输入进去。这么做的好处是什么呢？
- 如果是AutoEncoder，为了得到代表一整个模型的Latent Vector，我们将不得不想办法统一模型原始数据的分辨率（比如每三个神经元代表一个采样点，那么一个模型最多只能有
input_size / 3个采样点）。而对于AutoDecoder，一个模型对应的采样数量只影响其epoch的大小，而不会影响单个输入本身的尺寸，所以AutoDecoder的架构支持对每个输入模型有任意数量的采样点。 - 另一个非常重要的是，对于模型的采样点，一个显著的特征就是它是Orderless的，即你交换任意两个采样点的顺序，也不应当影响最终输出的结果。传统的神经网络结构并不是很善于解码orderless vector的输入，但是如果我们不将整个模型的所有采样点编码为一个巨大的input vector，而是将每个采样点作为一个input vector，整个模型的所有采样点作为一个epoch去训练，那么我们就可以应对这种orderless的特征了。
综上，我们可以得到AutoDecoder结构与AutoEncoder以及论文最开始提出的结构（下面简称xyz结构）进行比较：
- AutoDecoder vs xyz结构：
- 对于新的模型，可以比xyz更快速地收敛成一个可靠的查询器
- 经过训练的Decoder包含了来自训练数据集的先验知识，使得对于SDF的回归并不是单纯地“插值”操作，而是考虑了模型本身附带的意义而进行的合理补全。
- AutoDecoder vs AutoEncoder
- AutoDecoder能够处理任何尺寸的采样数据，而不必像AutoEncoder那样将一个模型的全部采样点包含在一个定长的input vector中
- AutoDecoder将单独的Input Vector转换成Epoch的操作，使得采样的顺序能够被很好地解耦，适合处理orderless的采样数据
- 相比AutoEncoder来说，AutoDecoder面对每一个新数据时都需要一个训练过程来找到合适的Latent Vector，无法在需要相对实时的领域应用
到这里，AutoDecoder的具体合适的应用场景，可谓呼之即出了。
不过最后我想说一个自己的疑惑，不知道大家怎么看待：
将单个模型的所有采样数据作为一个Epoch而非一整个Input Vector去获取Latent Vector的这一操作，是否因为神经网络的Independence Assumption而丢失了邻接节点的互相影响呢？
鄙人不才，没想到足够的支持或者否定，还希望大家讨论点拨
