食物图片变菜谱：这篇CVPR论文让人人都可以学习新料理

根据 Facebook 的统计，Instgram 上的美食图片数量已经超过 3 亿张。然而，获取食物烹饪方法的途径依然有限，例如，通过烹饪网站或相关教程。怎样能够挖掘丰富食物图片背后的烹饪方法，让每个人都可以在家方便地学习新菜式呢？

Facebook 研究团队最近在 CVPR 2019 发表论文，提出了一种新思路。用户可以输入食物图片，并获得对应的食材和制作方法。在用户实验上的结果说明，用这种方法烹饪食物的成功率，比传统检索方法成功率更高。

看美食图片就能知道食谱？这个 AI 比美食家还灵么？

喜欢研究吃的人经常会在看到美味食物甚至食物图片时垂涎不已，甚至千方百计想弄明白怎么才能做出这道美食。

最近，Facebook 提出了一种 AI 方法，能够根据美食图片直接生成食谱！天啊，简直满足了天下爱吃且爱做饭的人的心愿啊～

这张图片中左侧为原图；右侧显示了食物名称、原料，甚至还有操作说明。有了这个 AI，只需要有美食图，就可以准备做饭，不用再费力查找食谱啦～

目前，Facebook 已经把这个项目开源了：

GitHub 地址：https://github.com/facebookresearch/inversecooking

reddit 用户 JonathanFly 将该项目做成了一个 Colab demo，参见：

https://gist.github.com/JonathanFly/33946a08080041e90e8360b25e263a4e#file-facebook-cooking-demo-ipynb

还用非食物的图片进行了尝试，结果令人捧腹。

比如，如果你使用皮卡丘的图片，这个系统会告诉你「皮卡丘的食谱」：

「皮卡丘」竟然被认成了万圣节幽灵饼干！原来皮卡丘是烤制而成的～

从图像到食谱，如何实现？

从图片中生成食谱需要同时理解组成食材和制作的过程（如切片、和其他材料搅拌等）。传统方法将这个问题视为检索任务，基于输入图片和数据集图片的相似度计算，将食谱从一个固定的数据集中检索出来。很明显，传统方法在数据集缺少某种食物制作方法的情况下就会失败。

有一种方法可以克服这一数据局限，即将图片到菜谱的问题视为一个条件生成任务。研究人员认为，与其直接从图片中获取菜谱，不如首先预测食物的材料，然后基于图像和食材生成食物制作方法。这样可以利用图片和食材的中间过程获取一些额外信息。

模型

模型主要由两部分构成，首先研究人员预训练一个图片编码器和一个食材解码器（ingredients decoder），提取输入图像的视觉特征来预测食材。然后训练一个食材编码器（ingredient encoder）和烹饪流程解码器（instruction decoder），根据输入图片的图像特征和已经预测到的食材，生成食物的名称和烹饪流程。

模型架构如下图所示：

图 2：模型的结构。模型的输入是食物图片，输出的是烹饪方法序列，而中间一步是基于图像生成食材清单。

具体来讲，烹饪流程解码器使用了三种不同的注意力策略：

图 3：烹饪流程解码器使用的注意力策略。Transformer 模型（a）中的注意力模块被替换成了三种不同的注意力模块（b-d），用于多种条件下的烹饪说明。

效果如何？

研究人员使用 Recipe1M [45] 数据集来训练和评估模型。该数据集包括从烹饪网站上爬取的 1,029,720 个食谱。在实验中，研究者仅使用了包含图片的食谱，并移除了使用少于两种食材或两道流程的食物。最终，实验使用了 252,547 个训练样本、54,255 个验证样本和 54,506 个测试样本。

研究人员对比了传统的检索方法和该研究提出的新方法，结果如下：