假3D场景逼真到火爆外网！超1亿像素无死角，被赞AI渲染新高度 来源：量子位 先来看一段“视频”，有没有看出什么不对劲的地方？ 其实，这仅仅是由一组照片渲染出来的（右下角为拍摄照片）！ 生成的也不仅仅是一段视频，更是一个3D场景模型，不仅能任意角度随意切换、高清无死角，还能调节曝光、白平衡等参数，生成船新的照片： 在完全不同的场景下，例如一个坦克厂中，同样能用一组照片渲染出逼真3D场景，相同角度与真实拍摄图像几乎“完全一致”： 要知道，之前苹果虽然也做过一组照片生成目标物体3D模型的功能，但最多就是一件物体，例如一只箱子： 这次可是整个3D场景！ 这是德国埃尔朗根-纽伦堡大学的几位研究人员做的项目，效果一出就火得不行，在国外社交媒体上赞数超过5k，阅读量达到36w+。 那么，这样神奇的效果，究竟是怎么生成的呢？ 用照片还原整个3D场景图整体来说，这篇论文提出了一种基于点的可微神经渲染流水线ADOP（Approximate Differentiable One-Pixel Point Rendering），用AI分析输入图像，并输出新角度的新图像。 在输入时，由于需要建模3D场景，因此这里的照片需要经过严格拍摄，来获取整个场景的稀疏点云数据。 具体来说，作者在从照片获取点云数据时，采用了COLMAP。 先从多个不同的角度拍摄场景中的照片，其中每张照片的视角都会经过严格控制。 然后采用SfM（Structure From Motion，运动恢复结构）方法，来获取相机内外参数，得到整个场景的3D重建数据，也就是表示场景结构的稀疏点云： 然后，包含点云等信息的场景数据会被输入到流水线中，进行进一步的处理。 流水线（pipeline）主要分为三个部分：可微光栅化器、神经渲染器和可微色调映射器。 首先，利用多分辨率的单像素点栅格化可微渲染器（可微光栅化器），将输入的相机参数、重建的点云数据转换成稀疏神经图像。 其中，模型里关于图像和点云对齐的部分，采用了NavVis数据集来训练。 然后，利用神经渲染器，对稀疏神经图像进行阴影计算和孔洞填充，生成HDR图片。 最后，由于不是每个设备都支持HDR画面，因此在显示到LDR设备之前，还需要利用基于物理的可微色调映射器改变动态范围，将HDR图像变成LDR图像。 每个场景300+图像训练这个新模型的优势在哪里？ 由于模型的所有阶段都可微，因此这个模型能够优化场景所有参数（相机模型、相机姿势、点位置、点颜色、环境图、渲染网络权重、渐晕、相机响应函数、每张图像的曝光和每张图像的白平衡），并用来生成质量更高的图像。 具体到训练上，作者先是采用了688张图片（包含73M个点）来训练这个神经渲染流水线（pipeline）。 针对demo中的几个场景（火车、灯塔、游乐园、操场等），作者们分别用高端摄像机拍摄了300~350张全高清图像，每个场景生成的像素点数量分别为10M、8M、12M和11M，其中5%的图像用作测试。 也就是说，制作这样一个3D场景，大约需要几百张图像，同时每张图像的拍摄需要经过严格的角度控制。 不过仍然有读者表示，拍几百张图像就能用AI做个场景出来，这个速度比当前人工渲染是要快多了。 功能上，模型既能生成可以调节参数的新角度照片，还能自动插值生成全场景的3D渲染视频，可以说是挺有潜力的。 那么，这个模型的效果与当前其他模型的渲染效果相比如何呢？ 实时显示1亿+像素点场景据作者表示，论文中采用的高效单像素点栅格化方法，使得ADOP能够使用任意的相机模型，并实时显示超过1亿个像素点的场景。 肉眼分辨生成结果来看，采用同行几个最新模型生成的图片，或多或少会出现一些伪影或是不真实的情况，相比之下ADOP在细节上处理得都非常不错： 从数据来看，无论是火车、操场、坦克还是灯塔场景，在ADOP模型的渲染下，在VGG、LPIPS和PSNR上几乎都能取得最优秀的结果（除了坦克的数据）。 不过，研究本身也还具有一些局限性，例如单像素点渲染仍然存在点云稀疏时，渲染出现孔洞等问题。 但整体来看，实时显示3D场景的效果还是非常出类拔萃的，不少业内人士表示“达到了AI渲染新高度”。 已经有不少网友开始想象这项研究的用途，例如给电影制片厂省去一大波时间和精力： （甚至有电影系的学生想直接用到毕设上） 对游戏行业影响也非常不错： 在家就能搞3A大作的场景，是不是也要实现了？简直让人迫不及待。 还有人想象，要是能在iPhone上实现就好了（甚至已经给iPhone 15预定上了）： 对于研究本身，有网友从行外人视角看来，感觉更像是插帧模型（也有网友回应说差不多是这样）： 也有网友表示，由于需要的图像比较多，效果没有宣传中那么好，对研究潜力持保留态度： 虽然目前作者们已经建立了GitHub项目，但代码还没有放出来，感兴趣的同学们可以先蹲一波。 至于具体的开源时间，作者们表示“会在中了顶会后再放出来”。（祝这篇论文成功被顶会收录~） 论文地址： https://arxiv.org/abs/2110.06635 项目地址(代码还没po出来)： https://github.com/darglein/ADOP 参考链接： [1]https://www.reddit.com/r/MachineLearning/comments/q9phnq/r_adop_approximate_differentiable_onepixel_point/ [2]https://twitter.com/ak92501/status/1448489762990563331 [3]https://developer.apple.com/augmented-reality/object-capture/ 推荐阅读【重磅】斯坦福李飞飞《注意力与Transformer》总结，84页ppt开放下载！ 一文总结微软研究院Transformer霸榜模型三部曲！ Swin Transformer为主干，清华等提出MoBY自监督学习方法，代码已开源 加性注意力机制！清华和MSRA提出Fastformer：又快又好的Transformer新变体！ MLP进军下游视觉任务！目标检测与分割领域最新MLP架构研究进展！ 周志华教授：如何做研究与写论文？（附完整的PPT全文） 都2021 年了，AI大牛纷纷离职！各家大厂的 AI Lab 现状如何？ 常用 Normalization 方法的总结与思考：BN、LN、IN、GN 注意力可以使MLP完全替代CNN吗？未来有哪些研究方向？ 欢迎大家加入DLer-计算机视觉&Transformer群！ 大家好，这是计算机视觉&Transformer论文分享群里，群里会第一时间发布最新的Transformer前沿论文解读及交流分享会，主要设计方向有：图像分类、Transformer、目标检测、目标跟踪、点云与语义分割、GAN、超分辨率、视频超分、人脸检测与识别、动作行为与时空运动、模型压缩和量化剪枝、迁移学习、人体姿态估计等内容。 进群请备注：研究方向+学校/公司+昵称（如Transformer+上交+小明） ??长按识别，邀请您进群！