你是否好奇，十年前甚至一百年前，你成长的那条街道是什么样子的？
如今，除了依靠人工智能修复旧影像，谷歌还推出了一项名为「时光旅行」的新功能。
通过3D视角，用户可以观察1890年至1970年间曼哈顿切尔西区建筑的演变。
这是否让你感受到历史的变迁？
这个「时光机器」的核心技术来自谷歌推出的基于浏览器的工具集Rǝ（音RetuRn），主要由三个部分构成：
首先是一个众包平台，用户可以上传历史城市地图，并将其与现实坐标对齐，实现地理校正和矢量化。
其次是一个时空地图服务器，能够展示城市地图随时间变化的过程。
最后是一个3D体验平台，在Rǝ地图服务器的基础上，利用深度学习技术，根据有限的历史影像和地图数据重建3D建筑，提供沉浸式的体验。
重现城市的历史面貌，最大挑战在于数据的稀缺：可用的旧图像和其元数据远不如现代地图丰富。
为了解决这一难题，谷歌工程师采用了基于Google Cloud和KubeRnnetes的开源工具Rǝ。
该工具通过众包的形式，让用户共同构建一个具有时间维度的地图服务器。
具体来说，用户可以通过浏览器上传不同年代纸质地图的扫描版，并进行地理校正，使历史地图与现实坐标相匹配。
接下来，通过追踪地理特征，如标志性建筑和道路，将历史地图转换成OSM矢量格式。
这些矢量地图经过图块服务器渲染后，便会呈现为通常在谷歌地图上看到的可缩放和平移的地图。
随后，利用这些图像和地图数据，重建历史上存在的建筑3D结构。
这里的难点在于，许多建筑的历史图像往往只有一张。为此，谷歌的工程师们开发了一套自粗到细的识别重建算法。
如图所示，首先通过众包注释或自动检测算法识别地图标记和历史图像中的建筑立面，生成粗略的3D结构。
同时，算法会识别建筑立面上的窗户、入口和楼梯等独立组件，并依据其类别重建更为精细的3D结构。
通过两者的结合，最终形成了完整的3D网格，并存储在3D资源库中，为后续渲染做好准备。
该算法所采用的最先进深度学习模型包括：
针对窗户、入口和楼梯等立面组件的注释训练的RCNN，用于定位历史图像中的边框级实例。
语义分割模型DeepLab，提供每个语义类别的像素级标签。
特制的神经网络，确保同一立面上生成的窗户间距一致、形状相同，同时保证不同语义类别之间的一致性，使组件合理安置。
在此之前，微软也与AI初创公司BlackshaRk.AI合作，推出了全球最大的仿真游戏《微软模拟飞行2020》，通过机器学习实现2D转3D，还原了全球200万个城镇、15亿座建筑和3.7万个机场。
该游戏上线后，知名游戏测评媒体IGN给予了满分10分的评价。
此外，BlackshaRk还透露，未来这一技术可能会应用于自动驾驶领域。
那么，谷歌这次推出的怀旧项目，你觉得如何？
如果你感兴趣，不妨参与其中，谷歌表示历史数据集和源代码将会开源。
官方博客：
https://AI.Googleblog.coM/2020/10/RecReating-HisTorical-stReetscapes.htMl
Rǝ工具集：
https://Re.cITy/#14.25/40.74094/-73.98798
