谷歌联合哈佛大学发布最新研究，使用NeRF创建360度完整神经场景视频_

作者 | Martin Anderson

译者 | 盖磊

策划 | 凌敏

Google Research 与哈佛大学最新的合作研究，提出了一种称为“Mip-NeRF 360”的新方法。该方法使用 NeRF（Neural Radiance Fields）创建 360 度完整神经场景（neural scene）的视频，进一步推动了 NeRF 适用于在任何环境中随意抽象，不再受限于桌面模型或封闭室内场景。

不同于大多数前期方法，Mip-NeRF 360 给定了对光线的解释方式，并通过建立关注区域边界降低了原本冗长的训练时间，实现可处理背景的扩展和天空这样的“非受限”场景。

新论文的标题为“Mip-NeRF 360: Unbounded Anti-Aliased Neural Radiance Fields”，由 Google Research 高级研究科学家 Jon Barron 牵头完成的。

为深入理解该论文的技术突破，首先对基于 NeRF 的图像生成做一个基础的阐释。

什么是 NeRF？

NeRF 网络并非真正地去描述一个视频，而是使用对单张照片和视频各帧的多个视角拼接出场景，因此更类似于一种基于 AI 实现的完全 3D 虚拟环境。该场景从技术上看只存在于机器学习算法的隐空间（latent space），但可从中任意抽取出大量的视角和视频。

图 1 多摄像头捕获点示意图（左图）；NeRF 获取各捕获点，并拼接出神经场景（右图）

给定一张照片，通过训练其中的信息，生成一个类似于传统 CGI 工作流中体素网格 (Voxel grids) 的矩阵。矩阵中为 3D 空间中的每个点赋予了一个值，形成可被访问的场景。

图 2：体素矩阵示例，其中以三维空间存储像素信息。像素通常采用二维形式表示，例如 JPEG 文件的像素网格。图片来源：ResearchGate。

该方法在完成各照片间必要的间质空间计算后，通过“光线追踪”确定光照路径上每张照片的每个可能像素点，并对其分配一个颜色值和透明度值。如果没有指定透明度，那么神经矩阵可能是完全不透明的，也可能是完为空的。

NeRF 矩阵与基于 CGI 的三维坐标空间不同，但与体素网格类似，其中的“封闭”对象并不存在任何内部表示。例如，一个架子鼓对象在 CGI 中是可以拆开查看其内部的，但在 NeRF 中一旦将该对象的表面不透明度值设置为 1，那么这台架子鼓就会消失。

像素视角的扩展

Mip-NeRF 360 是对 2021 年 3 月发表的一项研究的进一步拓展。该研究提出的 Mip-NeRF 方法通过在 NeRF 中引入有效的抗锯齿，避免做过量的超采样（supersampling）。

NeRF 一般只计算单条像素路径，易于产生早期互联网图像格式和游戏系统中所特有的“锯齿感”。为消除锯齿感边缘，已有方法通常是对相邻像素进行采样，并给出平均表示。

针对传统 NeRF 仅对单条像素路径采样，Mip-NeRF 提出了一种类似宽光束手电筒的“锥形”汇集区，对相关相邻像素提供了充分的信息，形成细节改进的低代价抗锯齿方法。

图 3 Mip-NeRF 使用的“锥形”汇集区被切片成视锥（下图），并做进一步的模糊化处理，生成用于计算像素精度和锯齿的高斯空间。图片来源：https://www.youtube.com/watch?v=EpH175PY1A0

该方法显著改进了标准 NeRF 实现，如下图所示：

图 4 发表于 2021 年 3 月的 Mip-NeRF 方法（右图）。它通过更全面和低代价的锯齿流水线而非对像素的模糊化处理，实现细节改进，避免边缘产生锯齿状。图片来源：https://jonbarron.info/mipnerf/

无界 NeRF

但 Mip-NeRF 依然存在三个尚未解决的问题。首先，要应用于天空这样的无界环境中，其中可能包含超远距离的对象。Mip-NeRF 360 通过对 Mip-NeRF 高斯空间应用 Kalman 扭曲解决了该问题。

第二，更大的场景需要更高的处理能力和更长的训练时间。为解决该问题，Mip-NeRF 360 使用小规模“提议”多层感知器（MLP，multi-layer perceptron）去“提炼”场景的几何形状。MLP 根据大规模标准 NeRF MLP 预测的几何形状，预先限定了当前形状范围，将训练速度提高了三倍。

第三，更大的场景往往会导致需解构几何体的离散化存在模糊不清的问题，进而导致输出游戏玩家可能非常熟知的“画面撕裂”伪影。Mip-NeRF 360 通过新建对 Mip-NeRF 射线间隔的正则化处理而解决了该问题。