用NeRF在虛擬世界中重建城市

真不用來做成元宇宙？

訓練自動駕駛系統需要高精地圖，海量的資料和虛擬環境，每家致力於此方向的科技公司都有自己的方法，Waymo 有自己的自動駕駛出租車隊，英偉達建立了用於大規模訓練的虛擬環境 NVIDIA DRIVE Sim 平臺。近日，來自 Google AI 和谷歌自家自動駕駛公司 Waymo 的研究人員實踐了一個新思路，他們嘗試用 280 萬張街景照片重建出整片舊金山市區的 3D 環境。

透過大量街景圖片，谷歌的研究人員們構建了一個 Block-NeRF 網格，完成了迄今為止最大的神經網路場景表徵，渲染了舊金山的街景。

該研究提交到 arXiv 上之後，Jeff Dean 立即轉推介紹：

Block-NeRF 是一種神經輻射場的變體，可以表徵大規模環境。具體來說，該研究表明，當擴充套件 NeRF 以渲染跨越多個街區的城市場景時，將場景分解為多個單獨訓練的 NeRF 至關重要。這種分解將渲染時間與場景大小分離，使渲染能夠擴充套件到任意大的環境，並允許對環境進行逐塊更新。

該研究採用幾項架構更改，使得 NeRF 對數月內不同環境條件下捕獲的資料具有魯棒性，為每個單獨的 NeRF 添加了外觀嵌入、學習姿態細化和可控曝光，並提出了一種用於對齊相鄰 NeRF 之間外觀的程式，以便無縫組合。

《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》是 UC Berkeley 研究人員在 ECCV 2020 上的一篇論文，獲得了最佳論文提名。其提出一種隱式 3D 場景表徵，不同於顯示場景表徵（如點雲、網格 mesh），其原理是求解穿過場景的任何光線的顏色，從而渲染合成新視角的 2D 場景圖片。

NeRF 在給定一組姿態相機影象的情況下，實現了照片般逼真的重建和新型檢視合成。NeRF 早期的工作往往側重於小規模和以物件為中心的重建。儘管現在有些方法可以重建單個房間或建築物大小的場景，但這些方法仍然範圍有限，不能擴充套件到城市規模的環境。由於模型容量有限，將這些方法應用於大型環境通常會導致明顯的偽影和低視覺保真度。

重建大規模環境在自動駕駛、航空測量等領域具有廣泛應用前景。例如建立大範圍的高保真地圖，為機器人定位、導航等應用提供先驗知識。此外，自動駕駛系統通常透過重新模擬以前遇到的場景來進行評估，然而任何與記錄存在的偏差都可能改變車輛的軌跡，因此需要沿著路徑進行高保真的檢視渲染。除了基本的檢視合成，以場景為條件的 NeRF 還能夠改變環境照明條件，例如相機曝光、天氣或一天中不同的時間，這可用於進一步增強模擬場景。

如上圖所示，谷歌此次提出的 Block-NeRF 是一種透過使用多個緊湊的 NeRF 表徵環境來實現大規模場景重建的方法。在推理時，Block-NeRF 無縫結合給定區域的相關 NeRF 的渲染。上圖的示例使用 3 個月內收集的資料重建了舊金山的阿拉莫廣場社群。Block-NeRF 可以更新環境的各個塊，而無需對整個場景進行重新訓練。

重建如此大規模的環境會帶來額外的挑戰，包括瞬態物體（汽車和行人）的存在、模型容量的限制以及記憶體和計算限制。此外，在一致的條件下，極不可能在一次捕獲中收集如此大環境的訓練資料。相反，環境不同部分的資料可能需要來自不同的資料收集工作，這會在場景幾何（例如，建築工作和停放的汽車）以及外觀（例如，天氣條件和一天中不同的時間）中引入差異。

方法

該研究透過外觀嵌入和學習姿態細化來擴充套件 NeRF，以應對收集到的資料中的環境變化和姿態錯誤，同時還為 NeRF 添加了曝光條件，以提供在推理過程中修改曝光的能力。新增這些變化之後的模型被研究者稱為 Block-NeRF。擴大 Block-NeRF 的網路容量將能夠表徵越來越大的場景。然而，這種方法本身有許多限制：渲染時間隨著網路的大小而變化，網路不再適合單個計算裝置，更新或擴充套件環境需要重新訓練整個網路。

為了應對這些挑戰，研究者提出將大型環境劃分為多個單獨訓練的 Block-NeRF，然後在推理時動態渲染和組合。單獨建模這些 Block-NeRF 可以實現最大的靈活性，擴充套件到任意大的環境，並提供以分段方式更新或引入新區域的能力，而無需重新訓練整個環境。要計算目標檢視，只需渲染 Block-NeRF 的子集，然後根據它們相對於相機的地理位置進行合成。為了實現更無縫的合成，谷歌提出了一種外觀匹配技術，透過最佳化它們的外觀嵌入，將不同的 Block-NeRF 進行視覺對齊。

圖 2：重建場景被分成了多個 Block-NeRF，每個 Block-NeRF 都在特定 Block-NeRF 原點座標（橙色點）的某個原型區域（橙色虛線）內的資料上進行訓練。

該研究在 mipNeRF 的基礎上構建了 Block-NeRF 實現，改善了因輸入影象從許多不同距離觀察場景造成的損害 NeRF 效能的混疊問題。研究人員結合了來自 NeRF in the Wild (NeRF-W) 的技術，該技術在將 NeRF 應用於 Photo Tourism 資料集中的地標時，為每個訓練影象新增一個潛在程式碼以處理不一致的場景外觀。NeRF-W 從數千張影象中為每個地標建立一個單獨的 NeRF，而谷歌的新方法結合了許多 NeRF，從數百萬張影象中重建一個連貫的大環境，並結合了學習相機姿態細化。

一些基於 NeRF 的方法使用分割資料來隔離和重建影片序列中的靜態和動態物件（如人或汽車）。由於該研究主要關注重建環境本身，所以在訓練期間簡單地選擇遮蔽掉動態物件。

為了動態選擇相關的 Block-NeRF 進行渲染，並在遍歷場景時以平滑的方式進行合成，谷歌優化了外觀程式碼以匹配光照條件，並使用基於每個 Block-NeRF 到新檢視的距離計算的插值權重。

重建效果

鑑於資料的不同部分可能在不同的環境條件下被捕獲，演算法遵循 NeRF-W 並使用生成式潛在最佳化（Generative Latent Optimization，GLO）來最佳化 perimage 外觀嵌入向量。這使得 NeRF 可以解釋幾個外觀變化的條件，例如變化的天氣和照明。同時還可以操縱這些外觀嵌入，以在訓練資料中觀察到的不同條件之間進行插值（例如多雲與晴朗的天空，或白天和黑夜）。

整個環境可以由任意數量的 Block-NeRF 組成。為了提高效率，研究人員利用兩種過濾機制僅渲染給定目標視點的相關區塊，這裡只考慮目標視點設定半徑內的 Block-NeRF。此外，系統對於每個候選者都會計算相關的可見性。如果平均可見度低於閾值，則丟棄 Block-NeRF。圖 2 提供了一個可見性過濾的示例。可見性可以快速計算，因為它的網路獨立於顏色網路，並且不需要以目標影象解析度進行渲染。過濾後，通常有 1 到 3 個 Block-NeRF 需要合併。

為了重建整個城市場景，研究人員在錄製街景時捕獲長期序列資料（超過 100 秒），並在幾個月內在特定目標區域重複捕獲不同序列。谷歌使用從 12 個攝像頭捕獲的影象資料，這些攝像頭共同提供 360° 檢視。其中 8 個攝像頭從車頂提供完整的環檢視，另外 4 個攝像頭位於車輛前部，指向前方和側面。每個相機以 10 Hz 的頻率捕獲影象並存儲一個標量曝光值。車輛姿態是已知的，並且所有攝像機都經過校準。

藉助這些資訊，該研究在一個共同的座標系中計算相應的相機光線原點和方向，同時將相機的滾動快門考慮在內。