假3D场景逼真到热外网！超1亿像素无死角被赞AI渲染新高

作者 | 萧箫 杨净

先看一个“视频”。你看到什么不对吗？

其实这只是一组照片渲染的(右下角照片)！

生成的不仅仅是视频，还有一个3D场景模型,不仅可以任意角度切换，还可以调整曝光、白平衡等参数，生成新的船舶照片：

在完全不同的场景中，比如坦克工厂，一组照片也可以用来渲染逼真的3D场景，同样的角度几乎与实拍图像“完全一致”一样：

要知道，虽然苹果之前做过一套通过照片生成目标物体3D模型的功能，但最多也就是一个物体，比如一个盒子：

但是这整个3D场景！

这是德国埃尔兰根-纽伦堡大学的几位研究人员做的一个项目，结果一出来就很受欢迎。它在国外社交媒体上赢得了比5k更多的赞誉，在阅读方面也达到了36w+。

那么，这种神奇的效果是如何产生的呢？

用照片还原整个3D场景图

总的来说，本文提出了一种基于点的ADOP算法，用人工智能分析输入图像，用新的角度输出新的图像。

输入时，由于需要对3D场景进行建模，这里的照片需要经过严格的拍摄，才能获得整个场景的稀疏点云数据。

具体来说，作者在从照片中获取点云数据时使用了COLMAP。

首先，从很多不同的角度在场景中拍照，每张照片的视角都会受到严格的控制。

然后，采用SfM(Structure From Motion)方法获取摄像机的内外参数，从而获得整个场景的三维重建数据，即表示场景结构的稀疏点云：

然后，包括点云和其他信息的场景数据将被输入管道进行进一步处理。

管道主要分为三个部分:微光栅化器、神经渲染器和微色调映射器。

首先，利用多分辨率单像素点光栅化器将输入的摄像机参数和重建的点云数据转换成稀疏神经图像。

其中，模型中的图像。

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~）