近年来，3D 计算机视觉和人工智能两个领域都取得了飞快的发展，但二者之间如何实现有效的结合还有很长的路要走。基于此，英伟达于今日推出了 Kaolin PyTorch 库，借助于这个库，只需几步即可将 3D 模型迁移至神经网络的应用范畴。
此外，Kaolin 库还可以大大降低为深度学习准备 3D 模型的工作量，代码可由 300 行锐减到仅仅 5 行。
作为一个旨在加速 3D 深度学习研究的 PyTorch 库，Kaolin 为用于深度学习系统中的可微 3D 模块提供了高效的实现。Kaolin 不仅能够加载和预处理流行的 3D 数据集，而且具有操作网格、点云、符号距离函数和体素栅格（voxel grid）的本地功能，因而可以减少编写不必要的样本代码。
Kaolin 库包含渲染（rendering）、高光（lighting）、暗影（shading）和视图合成（view warping）等几种不同的图形模块。此外，Kaolin 库还支持一系列用于无缝衔接评价（seamless evaluation）的损失函数和评价度量，并提供可视化功能来渲染 3D 效果。重要的是，英伟达创建了包含诸多当前最优 3D 深度学习架构的 model zoo，从而作为未来研究的起点。
此类工具可以使得机器人、自动驾驶、医学成像和虚拟现实等诸多领域的研究者获益。随着人们对 3D 模型的兴趣日益高涨，英伟达的 Kaolin 库可以在该领域产生重大影响。在线存储库（repo）现已拥有很多 3D 数据集，这在一定程度上得益于世界各地所使用的、能够捕获 3D 图像的约 3000 万个深度摄像头。
GitHub 地址：https://github.com/NVIDIAGameWorks/kaolin/
那么 Kaolin 库的具体展示效果是怎样的呢？英伟达给出了以下几个实际应用示例：
在 3D 场景中，通过分类功能来识别对象（图中识别出了椅子）
3D 组件分割功能可以自动识别 3D 模型的不同组件，这使得「装备」动画角色或自定义模型以生成对象变体更加容易（图左的 3D 模型在图右穿上了衣服、鞋子等）
图像到 3D（Image to 3D）功能可以根据训练的神经网络识别出的图像来构建 3D 模型（图右生成了椅子的 3D 模型）
目前，英伟达推出的 beta 版 Kaolin 库包含几项处理功能，用于网格、体素、符号距离函数和点云上的 3D 深度学习。加载的几个流行的数据集（如 ShapeNet、ModelNet 和 SHREC）支持开箱即用。此外，英伟达还实现了几种 3D 迁移和转换操作。
Kaolin 库支持的 3D 任务如下：
- 可微渲染器（神经网格渲染器、软光栅化器（Soft Rasterizer）、基于可微插值的渲染器以及模块化和可扩展的抽象可微渲染器规范）；
- 基于单张图像的网格重建（如 Pixel2Mesh、GEOMetrics、OccupancyNets 等）；
- 点云分类和分割（PointNet、PoinNet++、DGCNN 等）；
- 网格分类和分割；
- 体素栅格的 3D 超分辨；
- 基本的图像处理（如高光、暗影等）。
Kaolin 库的安装与使用
支持的平台
Kaolin 已经获得了 Linux 平台的官方支持，并已在 Ubuntu 18 上进行构建和测试。Windows 和 Mac 平台上也应考虑展开试验性的支持。
安装步骤
英伟达推荐用户在虚拟环境中安装 Kaolin 库（如利用 conda 或 virtualenv 创建的虚拟环境）。Kaolin 要求 Python 版本在 3.6 以上，并且目前在构建时需要启用 CUDA 的机器（即需要安装 nvcc）。
首先创建一个虚拟环境。下例展示了如何为创建安装 Kaolin 库所需要的 conda 虚拟环境：
- $ conda create --name kaolin python=3.6 $ conda activate kaolin
接着安装相关依赖（numpy 和 torch）。注意，设置文件并不能自动安装这两种依赖。
- conda install numpy
然后安装 Pytorch，这样就可以安装 Kaolin 库了。最后根据 repo 的根目录（即包含 README 文件的目录），运行：
- $ python setup.py install
在安装过程中，packman 包管理器将 nv-usd 包下载到~/packman-repo/中，后者包含阅读和编写通用场景描述（Universal Scene Description,USD）文件的必要包。
验证安装
为了验证是否安装完成 Kaolin 库，用户可以启动 python 解释器，并执行以下命令：
- >>>import kaolin as kal>>> print(kal.__version)
创建文档
为深入研究 Kaolin 库，用户可以创建文档。根据 repo 的根目录（即包含 README 文件的目录），执行以下命令：
- $ cd docs $ sphinx-build . _build
运行单元测试
为运行单元测试，用户可根据 repo 的根目录（即包含 README 文件的目录）执行以下命令：
- $ pytest tests/
Kaolin 库的主要功能模块
repo：支持的 3D 资产表征包括三角网格、四边形网格、体素栅格、点云和符号距离函数；
转换：支持所有流行 3D 表征的转换；
实现的模型包括：
- DGCNN (https://arxiv.org/abs/1801.07829v1)
- DIB-R (https://arxiv.org/abs/1908.01210)
- GEOMetrics (https://arxiv.org/abs/1901.11461)
- Image2Mesh (https://arxiv.org/abs/1711.10669)
- Occupancy Network (https://arxiv.org/abs/1812.03828)
- Pixel2Mesh (https://arxiv.org/abs/1804.01654)
- PointNet (https://arxiv.org/abs/1612.00593)
- PointNet++ (https://arxiv.org/abs/1706.02413)
- MeshEncoder: A simple mesh encoder architecture.
- GraphResNet: MeshEncoder with residual connections.
- OccupancyNetworks (https://arxiv.org/abs/1812.03828)
- 其他
图形：库为构建可微渲染器提供了灵活的模块化框架，使得单个组件易于实现替换。此外，Kaolin 库还提供了以下可微渲染器的实现：
DIB-R (https://arxiv.org/abs/1908.01210)
SoftRas (https://arxiv.org/abs/1904.01786)
Neural 3D Mesh Renderer (https://arxiv.org/abs/1711.07566)
度量：实现的度量和损失函数如下：
Mesh: Triangle Distance, Chamfer Distance, Edge Length regularization, Laplacian regularization, Point to Surface distance, Normal consistency
Point Cloud: Sided Distance, Chamfer Distance, Directed Distance
Voxel Grid: Intersection Over Union (3D IoU), F-Score
