本文是對我們ICCV 2021被接收的文章NerfingMVS： Guided Optimization of Neural Radiance Fields for Indoor Multi-view Stereo 的介紹。在這個(gè)工作中，我們通過對神經(jīng)輻射場（NeRF）進(jìn)行引導(dǎo)優(yōu)化，實(shí)現(xiàn)了室內(nèi)的多視角三維重建（multi-view stereo）。很榮幸地，我們的文章被接收為ICCV 2021的Oral論文，目前項(xiàng)目代碼已開源，歡迎大家試用和star~

效果展示

arXiv：https://arxiv.org/abs/2109.01129

主頁：https://weiyithu.github.io/NerfingMVS/

Code：https://github.com/weiyithu/NerfingMVS

概述

熟悉3D視覺領(lǐng)域的朋友們都知道，近一年來NeRF大火。NeRF概括來說是一個(gè)用MLP學(xué)習(xí)得到的神經(jīng)輻射場。它的訓(xùn)練數(shù)據(jù)是多視角的RGB圖片。學(xué)得的神經(jīng)輻射場可以表示場景的三維結(jié)構(gòu)，從而實(shí)現(xiàn)新視角的視圖合成。對NeRF更加具體的介紹，請大家參考林天威：https://zhuanlan.zhihu.com/p/360365941

既然Nerf可以表示場景的三維信息，一個(gè)自然的想法是能不能將NeRF應(yīng)用到室內(nèi)場景三維重建任務(wù)中呢。NeRF有著一些優(yōu)勢：相較于傳統(tǒng)的MVS，SfM算法，NeRF蘊(yùn)含了整個(gè)場景的信息，所以有潛力重建出低紋理區(qū)域的三維結(jié)構(gòu)；而相較于另一個(gè)在線優(yōu)化的深度估計(jì)算法CVD ，NeRF不需要顯示地對不同視角的像素進(jìn)行匹配，這一點(diǎn)在室內(nèi)場景是很難做到的。但可惜的是，原生NeRF在室內(nèi)場景中存在形狀輻射歧義（shape-radiance ambiguity）的問題。這個(gè)問題的大致意思是NeRF可以合成出高質(zhì)量的新視角的RGB圖片，但它卻沒有學(xué)會(huì)場景的三維結(jié)構(gòu)。

為了解決這個(gè)問題，我們提出了NerfingMVS。我們方法的核心是用網(wǎng)絡(luò)預(yù)測出來的深度先驗(yàn)去引導(dǎo)神經(jīng)輻射場的優(yōu)化過程。我們首先用SfM得到的稀疏深度訓(xùn)練一個(gè)專屬于當(dāng)前場景的單目深度網(wǎng)絡(luò)。之后用這個(gè)單目深度網(wǎng)絡(luò)預(yù)測的深度圖來指導(dǎo)NeRF的學(xué)習(xí)。最后我們根據(jù)視角合成的結(jié)果利用濾波器去進(jìn)一步提升深度圖的質(zhì)量。在ScanNet上的實(shí)驗(yàn)結(jié)果表明，我們的方法超過了當(dāng)前最好方法的性能，并且我們還提升了新視角RGB圖片的質(zhì)量以及縮短了三倍的NeRF訓(xùn)練時(shí)間。

方法

我們的方法分為三個(gè)步驟：場景敏感的深度先驗(yàn)，神經(jīng)輻射場的引導(dǎo)優(yōu)化，基于合成視圖的深度圖濾波。

場景敏感的深度先驗(yàn)：與CVD類似，我們同樣利用了神經(jīng)網(wǎng)絡(luò)預(yù)測出來的深度先驗(yàn)。但不同的是，為了進(jìn)一步提升深度先驗(yàn)在當(dāng)前場景的精度，我們利用SfM重建出的稀疏深度對單目深度網(wǎng)絡(luò)進(jìn)行了微調(diào)（finetune）。這一步的目的其實(shí)是讓這個(gè)深度網(wǎng)絡(luò)過擬合在當(dāng)前場景上。具體來說，我們使用了COLMAP算法得到了多視角融合的點(diǎn)云，并將點(diǎn)云投影到各個(gè)視角下得到每個(gè)視角的稀疏深度。由于多視角融合的點(diǎn)云是經(jīng)過了幾何一致性校驗(yàn)的，因此雖然深度是稀疏的，但也是相對準(zhǔn)確的。此外，由于尺度歧義的問題，我們使用了尺度不變的損失函數(shù)：

神經(jīng)輻射場的引導(dǎo)優(yōu)化：我們發(fā)現(xiàn)如果簡單地在室內(nèi)場景應(yīng)用NeRF無法得到正確的三維重建結(jié)果。這其實(shí)就是所謂的形狀輻射歧義現(xiàn)象，換句話說，NeRF可以很好地?cái)M合出訓(xùn)練視角的RGB圖片（圖（a）），但卻沒有學(xué)到正確的場景3D結(jié)構(gòu)（圖（c））。造成這個(gè)問題的本質(zhì)原因是對于同一組RGB圖片，會(huì)有多個(gè)神經(jīng)輻射場與之對應(yīng)。此外，現(xiàn)實(shí)室內(nèi)場景的RGB圖片會(huì)比較模糊并且圖片之間的位姿變換也會(huì)比較大，這導(dǎo)致了網(wǎng)絡(luò)的學(xué)習(xí)能力下降，加劇了這個(gè)問題。

為了解決這個(gè)問題，我們利用深度先驗(yàn)去指導(dǎo)NeRF的采樣過程。我們首先根據(jù)幾何一致性校驗(yàn)計(jì)算得到每個(gè)視角深度先驗(yàn)的誤差圖。具體來講，我們將每個(gè)視角的深度投影到其它視角下并與其它視角的深度計(jì)算相對誤差。NeRF中每個(gè)視角下每條ray的采樣中心點(diǎn)為對應(yīng)位置處的深度先驗(yàn)，采樣范圍由誤差圖決定。誤差越小，深度先驗(yàn)的置信度越高，那么采樣范圍就越小；反之，誤差越大，深度先驗(yàn)的置信度越低，那么采樣范圍就越大。

基于合成視圖的深度圖濾波：為了進(jìn)一步提升深度圖的質(zhì)量，我們最后進(jìn)行了一步濾波。這步操作是基于一個(gè)假設(shè)：如果渲染出的RGB都不對，那么對應(yīng)位置處算出來的深度也往往是錯(cuò)的。因此我們可以根據(jù)渲染得到的RGB與真實(shí)RGB之間的誤差計(jì)算逐像素的置信度圖：

這個(gè)置信度圖可以被用來濾波，我們這里使用的是平面雙邊濾波器（plane bilateral filtering）。

實(shí)驗(yàn)結(jié)果

與SOTA方法對比：

無論是從定量還是定性的結(jié)果來看，我們的方法都達(dá)到了當(dāng)前最好性能，甚至超過了一些有監(jiān)督的方法：DELTAS，Atlas，DeepV2D。

視圖合成結(jié)果：

前兩行是訓(xùn)練視角，后兩行是新視角。盡管視圖合成不是我們的主要任務(wù)，我們的方法仍顯著地提升了NeRF視圖合成的結(jié)果。訓(xùn)練視角的提升也說明了我們的方法可以幫助NeRF聚焦在更重要的區(qū)域并提升網(wǎng)絡(luò)的性能。此外，我們將NeRF的訓(xùn)練時(shí)間縮短至三分之一。

In-the-wild結(jié)果展示：

我們用手持相機(jī)在家拍攝了一些demo。

總結(jié)與討論

在這個(gè)工作中，我們將傳統(tǒng)SfM算法與NeRF結(jié)合解決室內(nèi)多視角重建問題。我們方法的核心是將深度先驗(yàn)引入NeRF中指導(dǎo)它的采樣過程。在真實(shí)室內(nèi)場景數(shù)據(jù)集ScanNet上的實(shí)驗(yàn)結(jié)果表明，NerfingMVS取得了很好的效果。當(dāng)然我們的方法現(xiàn)在也存在一些limitations：1. 盡管我們大大加速了NeRF的訓(xùn)練過程，但現(xiàn)在仍無法達(dá)到實(shí)時(shí)。2. 我們需要SfM提供位姿和稀疏深度，因此比較依賴COLMAP的重建結(jié)果。

審核編輯 ：李倩