2D变3D，视角随意换，神还原高清立体感，还是不用3D建模的那种 | 代码数据开源

十三 鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI

看到这张恐龙化石的动态图片，你肯定会认为是用视频截出来的吧？

然而真相却是——完全由静态图片生成！

没错，而且还是不用3D建模的那种。

这就是来自伯克利大学和谷歌的最新研究：NeRF，只需要输入少量静态图片，就能做到多视角的逼真3D效果。

还需要专门说明的是，这项研究的代码和数据，也都已经开源。

你有想法，尽情一试~

静态图片，合成逼真3D效果

我们先来看下NeRF，在合成数据集(synthetic dataset)上的效果。

可以看到，这些生成的对象，无论旋转到哪个角度，光照、阴影甚至物体表面上的细节，都十分逼真。

就仿佛是拿了一台录影设备，绕着物体一周录了视频一样。

正所谓没有对比就没有伤害，下面便是NeRF分别与SRN、LLFF和Neural Volumes三个方法的效果比较。

不难看出，作为对比的三种方法，或多或少的在不同角度出现了模糊的情况。

而NeRF可谓是做到了360度无死角高清效果。

接下来是NeRF的视点相关 (View-Dependent)结果。

通过固定摄像机的视点，改变被查询的观看方向，将视点相关的外观编码在NeRF表示中可视化。

NeRF还能够在复杂的遮挡下，展现场景中详细的几何体。

还可以在现实场景中，插入虚拟对象，并且无论是“近大远小”，还是遮挡效果，都比较逼真。

当然，360度捕捉真实场景也不在话下。

神经辐射场（neural radiance field）方法

这样出色的效果，是如何实现的呢？

首先，是将场景的体积表示优化为向量函数，该函数由位置和视图方向组成的连续5D坐标定义。具体而言，是沿相机射线采样5D坐标，来合成图像。

而后，将这样的场景表示参数化为一个完全连接深度网络（MLP），该网络将通过5D坐标信息，输出对应的颜色和体积密度值。

通过体积渲染技术将这些值合成为RGB图像。

渲染函数是可微分的，所以可以通过最小化合成图像和真实图像之间的残差，优化场景表示。

需要进一步说明的是，MLP使用8个完全连接层（ReLU激活，每层256个通道）处理输入，输出σ和256维特征向量。然后，将此特征向量与摄像机视角连接起来，传递到4个附加的全连接层（ReLU激活，每层128个通道），以输出视点相关的RGB颜色。

NeRF输出的RGB颜色也是空间位置x和视图方向d的5D函数。

这样做的好处可以通过对比来体现。可以看到，如果去掉视点相关，模型将无法重现镜面反射；如果去掉位置编码，就会极大降低模型对高频几何形状纹理的表现能力，导致渲染出的外观过于平滑。

另外，针对高分辨率的复杂场景，研究人员还进行了两方面的改进。

其一，是输入坐标的位置编码，可以帮助MLP表示高频函数。

其二，是分层采样。用以更高效地采样高频表示。

GitHub代码开源

目前，NeRF项目的代码已经在GitHub上开源。

代码主要基于Python 3，还需要准备的一些库和框架包括：TensorFlow 1.15、matplotlib、numpy、imageio、configargparse。

优化一个NeRF

研究人员表示，优化NeRF只需要一个GPU就可以完成，时间方面，需要花费几个小时到一两天（取决于分辨率）。

而从优化的NeRF渲染图像，大约只需要1~30秒时间。

运行如下代码可以获取生成Lego数据集和LLFF Fern数据集：

bash download_example_data.sh

若想优化一个低解析度的Fern NeRF：

python run_nerf.py --config config_fern.txt

在经过200次迭代之后，就可以得到如下效果：

若想优化一个低解析度的Lego NeRF：

python run_nerf.py --config config_lego.txt

在经过200次迭代之后，就可以得到如下效果：

开始渲染

运行如下代码，为Fern数据集获取经过预训练的高分辨率NeRF。

bash download_example_weights.sh

渲染代码，在 render_demo.ipynb 中。

另外，你还可以将NeRF转换为网格，像这样：

具体示例，可以在 extract_mesh.ipynb 中找到。还需要准备PyMCubes、trimesh和pyrender包。

关于作者：三位青年才俊

这篇论文的研究团队，来自加州大学伯克利分校、谷歌研究院和加州大学圣地亚哥分校。

共同一作有三位。

Ben Mildenhall，本科毕业于斯坦福大学，目前在伯克利电气工程与计算机科学系（EECS）助理教授吴义仁（Ren Ng）门下读博。致力于计算机视觉和图形学研究。

Pratul P. Srinivasan，同样为伯克利EECS在读博士，师从吴义仁和Ravi Ramamoorthi。

Matthew Tancik，前面两位作者的同门，本硕毕业于MIT。除了专注于计算机成像和计算机视觉研究外，他还是一位摄影爱好者。

1个GPU就能完成优化，优化后渲染又只需要1-30秒，如此方便又效率的项目，还不快来试试？

One More Thing

最后，还想介绍个这方面有意思的研究。

NeRF确实强，但在输入上还需要多张照片……

那么有没有方法，一张图片就能玩3D效果呢？

问就有。

之前，Adobe的实习生就提出了一个智能景深算法，单张2D图片秒变3D。

让我们感受下效果。

也是很有大片既视感了。

而最近，同样是单张2D图片变3D，台湾清华大学的研究人员，在老照片上玩出了新花样，论文入选CVPR 2020。

你看看女神奥黛丽·赫本，看看毕加索，看看马克吐温：

感觉以后看照片——摇一摇更有感觉啊。

再来看看“登月”、“宇航员和民众握手”照片裸眼3D效果：

颇有点身临其境之感。

与此前介绍过的Adobe的算法（后台加链接）类似，这一3D图像分层深度修复技术的核心算法，同样有关上下文感知修复：

初始化并切割分层深度图像（LDI），使其形成前景轮廓和背景轮廓，然后，仅针对边缘的背景像素进行修补。从边缘“已知”侧提取局部上下文区域，并在“未知”侧生成合成区域（如下图c所示）。

说起来，对于个人视频制作者、游戏开发人员，以及缺乏3D建模经验的动画公司来说，这类技术的成熟，可谓“福音”。

通过AI技术，让3D效果的实现进一步简化，这也是Facebook、Adobe及微软等公司纷纷投入这方面研究的原因所在。

最后，这个项目的代码也开源了……

稿子还没写完，我就准备好一系列“雪藏”已久的照片要试试了。

这也是最近看到最酷的3D图片方面的突破了。

如果有更酷的，也欢迎留言分享~~

传送门

项目主页：
http://www.matthewtancik.com/nerf
https://shihmengli.github.io/3D-Photo-Inpainting/

GitHub地址：
https://github.com/bmild/nerf
https://github.com/vt-vl-lab/3d-photo-inpainting