近日，Meta 和 CMU 的研究人員提出了一全新的 6-DoF 視頻表征方法，單張 RTX 3090 即可每秒 18 幀實(shí)現(xiàn)百萬像素分辨率染，或?qū)⒔o VR 帶來革命性的高質(zhì)量體驗(yàn)。最近由 Meta 和卡內(nèi)基梅隆大學(xué)出的 6-DoF 視頻表征模型 ——HyperReel，可能預(yù)示著一個(gè)全新的 VR「殺手級」應(yīng)用即將誕生！所謂六自由度視頻」6-DoF），簡單來說就是一個(gè)高清的 4D 體驗(yàn)式回放。其中用戶可以完全「身于」動(dòng)態(tài)場景面，并且可以自地移動(dòng)。而當(dāng)他任意改變自己的部位置（3 DoF）和方向（3 DoF）時(shí)，與之相應(yīng)的視圖也會(huì)之生成。論文地：https://arxiv.org/ abs / 2301.02238與之前的工作相比，HyperReel 最大的優(yōu)勢在于內(nèi)和計(jì)算效率，而兩點(diǎn)對于便攜式 VR 頭顯來說都至關(guān)重要。而且需采用 vanilla PyTorch，HyperReel 就能在單張英偉達(dá) RTX 3090 上，以每秒 18 幀的速度實(shí)現(xiàn)百萬像素分辨率的染。太長不看版1. 提出一種可在高分辨率下實(shí)高保真度、高幀的渲染的光線條采樣預(yù)測網(wǎng)絡(luò)，及一種緊湊且內(nèi)高效的動(dòng)態(tài)體積征；2. 6-DoF 視頻表征方法 HyperReel 結(jié)合了以上兩個(gè)核心部分可以在實(shí)時(shí)渲染萬像素分辨率的時(shí)，實(shí)現(xiàn)速度、量和內(nèi)存之間的想平衡；3. HyperReel 在內(nèi)存需求、渲染速度等多個(gè)方均優(yōu)于其他方法論文介紹體積場表征（volumetric scene representation）能夠?yàn)殪o態(tài)場景提供逼真的圖合成，并構(gòu)成現(xiàn)有 6-DoF 視頻技術(shù)的基礎(chǔ)。然而，驅(qū)動(dòng)這表征的體積渲染序，需要在質(zhì)量渲染速度和內(nèi)存率方面，進(jìn)行仔的權(quán)衡。現(xiàn)有的法有一個(gè)弊端 —— 不能同時(shí)實(shí)現(xiàn)實(shí)時(shí)性能、小內(nèi)占用和高質(zhì)量渲，而在極具挑戰(zhàn)的真實(shí)場景中，些都是極為重要。為了解決這些題，研究人員提了 HyperReel—— 一種基于 NeRF 技術(shù)（神經(jīng)輻射）的 6-DoF 視頻表征方法。其中，HyperReel 的兩個(gè)核心部分是：1. 一個(gè)光線條件下的采樣預(yù)測網(wǎng)絡(luò)能夠在高分辨率進(jìn)行高保真、高率的渲染；2. 一個(gè)緊湊且內(nèi)存效的動(dòng)態(tài)體積表。與其他方法相，HyperReel 的 6-DoF 視頻管線不僅在視覺質(zhì)量上現(xiàn)極佳，而且內(nèi)需求也很小。同，HyperReel 無需任何定制的 CUDA 代碼，就能在百像素分辨率下實(shí) 18 幀 / 秒的渲染速度。體來說，HypeReel 通過結(jié)合樣本預(yù)測網(wǎng)絡(luò)基于關(guān)鍵幀的體表征法，從而實(shí)了高渲染質(zhì)量、度和內(nèi)存效率之的平衡。其中的本預(yù)測網(wǎng)絡(luò)，既加速體積渲染，能提高渲染質(zhì)量特別是對于具有戰(zhàn)性的視圖依賴的場景。而在基關(guān)鍵幀的體積表方面，研究人員用的是 TensoRF 的擴(kuò)展。這種方法可以在存消耗與單個(gè)靜幀 TensoRF 大致相同的同時(shí)，湊地表征了個(gè)完整的視頻序。實(shí)時(shí)演示接下，我們就實(shí)時(shí)演一下，HypeReel 在 512x512 像素分辨率下動(dòng)態(tài)和態(tài)場景的渲染效。值得注意的是研究人員在 Technicolor 和 Shiny 場景中使用了更小的模型，因渲染的幀率大于 40 FPS。對于其余的數(shù)據(jù)集使用完整模型，過 HypeReel 仍然能夠提供實(shí)時(shí)推理。TechnicolorShinyStanfordImmersiveDoNeRF實(shí)現(xiàn)方法為了實(shí)現(xiàn) HeperReel，首先要考慮的問，就是要優(yōu)化靜視圖合成的體積征。像 NeRF 這樣的體積表征，就是對靜態(tài)場在 3D 空間中的每一個(gè)點(diǎn)的密和外觀，進(jìn)行建。更具體地說，過函數(shù)將位置 x 和方向沿著?條射線映射到顏色密度 σ(x)。此處的可訓(xùn)練參 θ，可以是神經(jīng)網(wǎng)絡(luò)權(quán)重、N 維數(shù)組條目，或兩的組合。然后就以渲染靜態(tài)場景新視圖其中表征 o 到的透射率。在實(shí)踐中，可通過沿給定射線取多個(gè)樣本點(diǎn)，后使用數(shù)值求積計(jì)算方程式 1：其中權(quán)重指定了個(gè)樣本點(diǎn)的顏色輸出的貢獻(xiàn)。體渲染的網(wǎng)格示例靜態(tài)場景的 HyperReel 中，給定一組圖和相機(jī)姿勢，而練目標(biāo)就是重建每條光線相關(guān)的量顏色。大多數(shù)景是由實(shí)體物體成的，這些物體表面位于 3D 場景體積內(nèi)的一 2D 流形上。在這種情況下，有一小部分樣本會(huì)影響每條光線渲染顏色。因此為了加速體積渲，研究人員希望對非零的點(diǎn)，查顏色和不透明度如下圖所示，研人員使用前饋網(wǎng)來預(yù)測一組樣本置。具體來說，是使用樣本預(yù)測絡(luò)，將射線映射樣本點(diǎn)，以獲取積等式 2 中的渲染。這里，研人員使用 Plucker 的參數(shù)化來表征光線。是這其中有一個(gè)題：給網(wǎng)絡(luò)太多靈活性，可能會(huì)視圖合成質(zhì)量產(chǎn)負(fù)面影響。例如如果 (x1, . . . , xn) 是完全任意的點(diǎn)，那么渲可能看起來不是視圖?致的。為解決這個(gè)問題，究人員選擇用樣預(yù)測網(wǎng)絡(luò)來預(yù)測組幾何基元 G1, ..., Gn 的參數(shù)，其中基元的參數(shù)可以據(jù)輸入射線的不而變化。為了得樣本點(diǎn)，將射線每個(gè)基元相交。圖 a 所示，給定源自相機(jī)原點(diǎn) o 并沿方向 ω 傳播的輸入光線后，研究人員首使用 Plucker 坐標(biāo)，重新對光線進(jìn)行參數(shù)。如圖 b 所示，一個(gè)網(wǎng)絡(luò)將此線作為輸入，輸一組幾何基元 {}（如軸對齊的平面和球體）和位矢量 {} 的參數(shù)。如圖 c 所示，為了生成用體積渲染的樣本 {}，研究人員計(jì)算了射線和幾基元之間的交點(diǎn)并將位移矢量添到結(jié)果中。預(yù)測何基元的好處是采樣信號(hào)平滑，于插值。位移矢為采樣點(diǎn)提供了外的靈活性，能更好地捕捉到復(fù)的視線依賴的外。如圖 d 所示，最終，研究人通過公式 2 進(jìn)行體積渲染，產(chǎn)一個(gè)像素顏色，根據(jù)相應(yīng)的觀察果，對它進(jìn)行了督訓(xùn)練?；陉P(guān)幀的動(dòng)態(tài)體積通上述辦法，就可有效地對 3D 場景體積進(jìn)行采。如何表征體積？在靜態(tài)情況下研究人員使用的內(nèi)存有效的張量射場 (TensoRF) 方法；在動(dòng)態(tài)情況下，將 TensoRF 擴(kuò)展到基于關(guān)鍵幀的動(dòng)態(tài)體積征。下圖解釋了基于關(guān)鍵幀的表中，提取動(dòng)態(tài)的本點(diǎn)表征的過程如圖 1 所示，首先，研究人員用從樣本預(yù)測網(wǎng)輸出的速度 {}，將時(shí)間處的樣點(diǎn) {} 平移到最近的關(guān)鍵幀中然后，如圖 2 所示，研究人員詢了時(shí)空紋理的積，產(chǎn)生了每個(gè)本點(diǎn)的外觀特征然后通過公式 10 將其轉(zhuǎn)換成顏色。通過這樣的程，研究人員提了每個(gè)樣本的的透明度。結(jié)果對靜態(tài)場景的比較此，研究人員將 HyperReel 與現(xiàn)有的靜態(tài)視圖合成方法（括 NeRF、InstantNGP 和三種基于采樣網(wǎng)絡(luò)的方法）行了比較。DoNeRF 數(shù)據(jù)集DoNeRF 數(shù)據(jù)集包含六個(gè)合成列，圖像分辨率 800×800 像素。如表 1 所示，HyperReel 的方法在質(zhì)量上優(yōu)于有基線，并在很程度上提高了其采樣網(wǎng)絡(luò)方案的能。同時(shí)，HyperReel 是用 vanilla PyTorch 實(shí)現(xiàn)的，可在單張 RTX 3090 GPU 上以 6.5 FPS 的速度渲染 800×800 像素的圖像（或者用 Tiny 模型實(shí)現(xiàn) 29 FPS 的渲染）。此外，與 R2L 的 88 層、256 個(gè)隱藏單元的深度 MLP 相比，研究人員提出的 6 層、256 個(gè)隱藏單元的網(wǎng)絡(luò)外加 TensoRF 體積骨干的推理度更快LLFF 數(shù)據(jù)集LLFF 數(shù)據(jù)集包含 8 個(gè)具有 1008×756 像素圖像的真實(shí)世界序。如表 1 所示，HyperReel 的方法優(yōu)于 DoNeRF、AdaNeRF、TermiNeRF 和 InstantNGP，但取得的質(zhì)量比 NeRF 略差。由于錯(cuò)誤的相機(jī)校和輸入視角的稀性，這個(gè)數(shù)據(jù)集顯式體積表征來是一個(gè)巨大的挑。動(dòng)態(tài)場景的比Technicolor 數(shù)據(jù)集Technicolor 光場數(shù)據(jù)集包含了由時(shí)間同的 4×4 攝像機(jī)裝置拍攝的各室內(nèi)環(huán)境的視頻其中每個(gè)視頻流的每張圖片都是 2048×1088 像素。研究人員將 HyperReel 和 Neural 3D Video 在全圖像分辨率下這個(gè)數(shù)據(jù)集的五序列（Birthday, Fabien, Painter, Theater, Trains）進(jìn)行比較，每個(gè)序列 50 幀長。如表 2 所示，HyperReel 的質(zhì)量超過了 Neural 3D Video，同時(shí)每個(gè)序列的練時(shí)間僅為 1.5 個(gè)小時(shí)（而不是 Neural 3D 的 1000 多個(gè)小時(shí)），并且渲染速度快。Neural 3D Video 數(shù)據(jù)集Neural 3D Video 數(shù)據(jù)集包含 6 個(gè)室內(nèi)多視圖視頻序列由 20 臺(tái)攝像機(jī)以 2704×2028 像素的分辨率拍攝。如 2 所示，HyperReel 在這個(gè)數(shù)據(jù)集上表現(xiàn)超過了所有基線方法，包括 NeRFPlayer 和 StreamRF 等最新工作。特別是HyperReel 在數(shù)量上超過了 NeRFPlayer，渲染速度是其 40 倍左右；在質(zhì)量上過了 StreamRF，盡管其采用 Plenoxels 為骨干的方法（使用定制 CUDA 內(nèi)核來加快推理速度渲染速度更快。外，HyperReel 平均每幀消耗的內(nèi)存比 StreamRF 和 NeRFPlayer 都要少得多。谷歌 Immersive 數(shù)據(jù)集谷歌 Immersive 數(shù)據(jù)集包含了各室內(nèi)和室外環(huán)境光場視頻。如表 2 所示，HyperReel 在質(zhì)量上比 NeRFPlayer 的要好 1 dB，同時(shí)渲染速度更快。有些遺憾是，HyperReel 目前還沒有達(dá)到 VR 所要求的渲染速度理想情況下為 72FPS，立體聲）。不過，由于方法是在 vanilla PyTorch 中實(shí)現(xiàn)的，因此可以通比如自定義的 CUDA 內(nèi)核等工作，來進(jìn)一步優(yōu)性能。作者介紹文一作 Benjamin Attal，目前在卡內(nèi)基梅隆機(jī)器人研所攻讀博士學(xué)位研究興趣包括虛現(xiàn)實(shí)，以及計(jì)算像和顯示。參考料：https://arxiv.org/abs/2301.02238https://hyperreel.github.iohttps://hub.baai.ac.cn/view/23146https://twitter.com/DrJimFan/status/1611791338034593793本文來自微信公眾號(hào)：智元 （ID：AI_era），編輯：好困 Aeneas