NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
收录:eccv2020
领域:主要作用于神经场渲染以及视角合成
项目主页链接:NeRF: Neural Radiance Fields
主要贡献:
1)引入了mlp预测像素颜色r以及volume density(体积密度,可以理解为不透明度,密度越大,越不透明)
2)将position encoding (高频分量)引入训练网络,增强了其在高分辨率下的表征能力。
3) 采用了层次采样的方式(为了更好的适应高分辨率的表征),先均匀采样(coase),后随机采样(fine)
缺点:
1)需要稠密的多视角图片,训练时间长
2)对于非朗伯物质,合成的质量较差,并且存在伪影问题
整个pipeline:
输入:射线上采样点的位置x,y,z,以及射线方向
输出:采样点的颜色以及体积密度(rgb,volume density),最后通过离散渲染方程得到与该条射线相交的平面像素值的颜色。
首先来熟悉一下这篇文章中最重要的公式,渲染方程(也叫反射方程,t 的近段和远端边界分别为 tn 以及 tf 。那么这条射线的颜色,则可以用积分的方式表示为(t可以理解为射线从起始点到终止点的路径):
其中 ,o表示射线原点,t表示位置或者是边界,d表示射线的方向,上述是用
,这两个变量表示的;σ(t)表示光线到到路径t的终止概率;T(t) 是射线从 tn 到 t 这一段路径上的累积透明度,可以被理解为这条射线从 tn 到 t 一路上没有击中任何粒子的概率。
1)从上面公式C(r)中可以看出采样点的体积密度σ只和采样点的位置r(t)有关,但是采样点的颜色c既和位置r(t)有关,也和该处射线的方向d有关;这也验证了一个基本结论:不同方向看同一个点,颜色是不一样的;
2)T(t) 有点类似于加权的思想;假若某个采样点的前面有很多物质,那么该点的密度就会变高,随之T(t)就会变小,T(t)小,那么该采样点对整体颜色贡献就小。因为我们只关心想关心射线刚开始遇到粒子/物质的点,并不想关心它之后的点,所以这里要设置一个T(t)来降低后面采样点对整体颜色的贡献值;
3)整个C(r)就可以表示为:最终成像平面上某点的颜色值=该条射线上所有点(采样点)所辐射的颜色达到该平面的累积值;
由于计算机无法计算连续积分,所以该篇文章中将上面连续的C(r),转变成近似离散的形式,如下:
N表示采样点的数量;δi = ti+1 − ti表示为两个连续采样点之间的距离 ,其他的和上述公式中的含义一样;
关于引入高频分量
:
![](/assets/blank.gif)
其中文中对于位置(x,y,z),L设置为10,对于方向,L设置为4;注意这里是每个变量分别输入,比如
这种形式
关于采样点的采样策略(分层采样):
首先用均匀采样方式采样射线上64个点,然后由这64点的密度值估计出(PDF)密度分布函数。再使用逆采样算法集中对高密度的区域采样128点。使用该策略可以提高采样的效率,不需要对射线上所有区域都进行密集的采样,这样大大提高了效率,节省了很多训练时间。
针对上述两次采样,文中分别把这两个采样阶段当作coarse network和fine network,下面是“coarse sample”公式,N为采样数,tn为采样起始点,tf为采样终止点
并且文中先利用 coarse sample通过 coarse network 粗略的计算一下颜色,公式如下:
注意这里的 和上面的
还不一样,上面的
是在fine network 阶段使用。
fine sample中每个 PDF 定义:,Nc为 coarse sample的数目;
通过这个对每个高密度区域逆采样128个点+之前coarse sample 64个点作为 "fine network" 的输入。
损失函数构成:
由两个部分构成:一个是coarse network 输出的rgb和gt 做L2,另外一个则是fine network 输出的rgb和gt 做L2
单个场景重建的耗时:
评测数据集以及指标:
消融实验
主要对比了position encode、view dependence、hierarchical sample三个条件。
未来工作可探索的方向:
1)更高效的优化方式、以及渲染方式
2)本文所用的基础采样来自于2d像素点,能否尝试下基于voxel grid以及mesh的采样
NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis相关推荐
- [非卷积5D中文翻译及学习笔记] 神经辐射场 NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
不使用3D建模,使用静态图片进行训练,用(非卷积)深度网络表示场景的5D连续体表示,再通过ray marching进行渲染. 本中文翻译使用"机器学习+人工校准/注解"的方式完成. ...
- 【论文笔记 - NeRFs - ECCV2020】NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis 0背景介绍 用神经辐射场来表征场景,用于新视角图像生成任务 ...
- 论文笔记:NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
目录 文章摘要 1 Neural Radiance Field Scene Representation (基于神经辐射场的场景表示) 2 Volume Rendering with Radiance ...
- 文献翻译阅读-NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
目录 信息 简介 相关工作 神经3D表示 视角合成和基于图像的渲染 方法 体渲染技术(用离散形式表示连续积分) 优化神经场的技术 位置编码 分层体积抽样 实施细节 结果 结论 参考 信息 NeRF,即 ...
- 【论文精读】NeRF —— 解读《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》
NeRF的核心点是实现了复杂静态场景的隐式表达,用一个神经网络来建模. Abstract 本文提出了一种新方法,通过使用稀疏的输入视图集优化底层连续的体积场景函数,实现了合成复杂场景的新视图的SOTA ...
- 论文笔记NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
NeRF使用神经网络来表示场景.给定一个场景,输入该场景一些视角的图片,NeRF可以合成该场景新视角的图片. 神经辐射场 神经辐射场(neural radiance field,NeRF)使用5D的向 ...
- 《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》论文精读
Abstract 我们提出了一种方法,通过使用稀疏的输入视图集优化底层连续体场景函数,实现了合成复杂场景新视图的最先进结果.我们的算法使用全连接(非卷积)深度网络表示场景,其输入是单个连续的5D坐标( ...
- NeRF拜读:Representing Scenes as Neural Radiance Fields for View Synthesis
神经辐射场 非显式地将一个复杂的静态场景用神经网络来建模.训练完成后,可以从任意视角渲染出清晰的场景图片. 过程 大量已知相机参数的图片作为输入 通过输入训练MLP神经网络,隐式地学习静态3D场景 利 ...
- 读论文12——NeRF:Representing Scenes as Neural Radiance Fields for View Synthesis
目录 Abstract Introduction Related Work Neural Radiance Field Scene Representation Volume Rendering wi ...
- NeRF:Representing Scenes as Neural Radiance Fields for View Synthesis
目录 简介 Pipeline 细节讲解 结果 简介 什么是NeRF?NeRF翻译为神经辐射场. 下面两句话取自于Neural Fields in Visual Computing and Beyond ...
最新文章
- Scrum vs Kanban,如何选择?
- linux nginx ssl 文件路径,linux – 如何将SSL证书从Apache服务器传输到NGINX服务器
- 挖掘 OSINT 金矿——实习生和社交媒体
- Android-gradle插件调试
- 深入了解DefaultMessageListenerContainer
- 计算机投诉信英语作文,电脑投诉信英语作文
- 数学--数论--组合数(卢卡斯+扩展卢卡斯)模板
- LeetCode MySQL 1142. 过去30天的用户活动 II
- MATLAB高光谱图像构建KNN图
- 二维码研究综述--传统图像处理方法
- 解含待定变量微分方程组
- 不生效_离婚协议签订后,对方反悔不生效,但证据价值巨大!
- ENVI5.3.1使用Landsat 8影像进行预处理及分析实例操作
- mixly 添加micropython_Mixly软件下载-Mixly(米思齐图形化编程工具)官方版下载v1.04 - 欧普软件园...
- c++ 的绝对值函数
- 用python对《三国演义》的人物出场进行统计
- jstack定位CPU占用率高的线程代码
- 浙大ZOJ 1005 Jugs问题解决
- ZeroTierr的moon云服务器搭建和使用
- 算法训练 Cowboys(DP)