TensorFlow发布可微分图形（Differentiable Graphics）层TensorFlow Graphics，这是用来帮助训练计算机视觉模型的函数库，官方提到，由于要用来训练3D视觉任务模型的标签数据取得不易，而TensorFlow Graphics能够自动推测3D场景参数，以加速计算机视觉深度学习应用构建。TensorFlow Graphics第一个发布的版本，兼容与TensorFlow 1.13.1以上版本。
简单来说，计算机图形工作管线需要3D物体在空间中的绝对位置、物体材质描述、灯光以及相机设置，由渲染器产生合成渲染（Synthetic Rendering），而计算机视觉的应用则是反向的渲染工作管线，需要从场景图像往回推算场景参数，预测场景中的物体、材质以及物体在3D空间的位置与方向。
官方提到，计算机视觉应用的发展门槛在于训练模型用的标签数据难以取得，而这是因为训练用的标签数据，其标记过程复杂需要耗费大量的时间与金钱，因此要促进计算机视觉的应用，有必要创建不需要太多监督的机制，也能理解3D世界的方法。TensorFlow Graphics通过计算机图学以及计算机视觉技术，已经可以将大量未标记数据应用于训练上。
TensorFlow官方提到，现在通过合成分析就能完成这件事，从图形系统中萃取出场景参数，并利用这些参数再次渲染图像，当渲染的图像与原始图像相符，则表示图像系统精确地推理出场景参数，在这样的设置中，计算机视觉与计算机图学相辅相成，构成了一个类似自动解码器，可以进行自我监督训练的单一机器学习系统。
TensorFlow Graphics现在能提供多种有用的功能，可用来训练神经网络预测物体旋转或是平移等移动转换（Transformations），这样的功能适合适于与环境交互的机器人，可以让机器人精确地计算物体与机械手臂的相对位置，抓住正在移动的物体。TensorFlow Graphics还能用来预测物体材质（Materials），而这能让神经网络学习材质与光的交互，将其应用在增强现实中，可以为实际环境中摆放的虚拟家具，通过光影渲染使其更融入现实环境中，帮助用户理解家具外观。
在几何应用上，TensorFlow Graphics提供3D卷积（Convolutions）和池化（Pooling）功能，让神经网络对模型网格进行语义分类（下图）。另外，TensorFlow Graphics还提供了TensorBoard插件程序，让开发者能以交互的方式审查3D模型进行视觉调试。
