CVPR`24 | 又快又好！渲染速度比ENeRF快30倍！4K4D:實時4K分辨率4D視圖合成
文章鏈接：https://arxiv.org/pdf/2310.11448
git鏈接：https://zju3dv.github.io/4k4d/
本文旨在實現動態3D場景在4K分辨率下的高保真和實時視圖合成。最近，一些動態視圖合成方法在渲染質量方面表現出色。然而，在渲染高分辨率圖像時，它們的速度仍然有限。為解決這個問題，本文提出了4K4D，一種支持硬件光柵化的4D點云表示，能夠實現前所未有的渲染速度。本文的表示基于4D特征網格構建，因此點云被自然地正則化并可以進行穩健優化。此外，設計了一種新穎的混合外觀模型，顯著提升了渲染質量，同時保持了效率。此外，開發了一種可微分的深度剝離算法，以有效地從RGB視頻中學習所提出的模型。實驗表明，在使用RTX 4090 GPU的情況下，本文的表示在1080p分辨率下可以在DNA-Rendering數據集上以超過400 FPS的速度進行渲染，在4K分辨率下可以在ENeRF-Outdoor數據集上以80 FPS的速度進行渲染，比以往方法快30倍，并實現了最先進的渲染質量。
方法
給定捕捉動態3D場景的多視角視頻，目標是重建目標場景并實時執行新視角合成。為此，研究者們使用空間雕刻算法提取場景的粗點云，并建立基于點云的神經場景表示，該表示可以從輸入視頻中穩健地學習，并支持硬件加速渲染。
下圖2展示了所提模型的概述。首先描述如何基于點云和神經網絡表示動態場景的幾何和外觀。然后，開發了一種可微分深度剝離算法，用于渲染表示，該算法由硬件光柵化器支持，從而顯著提高了渲染速度。最后，討論如何在輸入RGB視頻上優化所提模型。
使用點云建模動態場景
討論。本文的外觀模型是實現動態場景的低存儲、高保真和實時視圖合成的關鍵。有三種替代方法來表示動態外觀，但它們的表現無法與本文的模型相提并論。
- 在每個點上定義顯式 SH 系數，如在 3D 高斯分裂 中。當 SH 系數的維度較高且動態場景的點數量較大時，該模型的大小可能太大，無法在消費級 GPU 上訓練。
- 基于 MLP 的 SH 模型。使用 MLP 來預測每個點的 SH 系數可以有效地減少模型大小。然而，本文的實驗發現基于 MLP 的 SH 模型難以渲染高質量圖像。
- 連續視角依賴的圖像混合模型，如 ENeRF。使用圖像混合模型表示外觀比僅使用基于 MLP 的 SH 模型具有更好的渲染質量。然而，ENeRF 中的網絡將視角方向作為輸入，因此無法輕松預計算，從而限制了推理期間的渲染速度。
可微分深度剝離
研究者們提出的動態場景表示可以使用深度剝離算法渲染成圖像。得益于點云表示，能夠利用硬件光柵化器顯著加速深度剝離過程。此外，使這一渲染過程可微分也很容易，從而能夠從輸入的 RGB 視頻中學習本文的模型。
訓練
為了規范，本文提出的表示優化過程，還額外應用mask監督到目標場景的動態區域。僅渲染動態區域的點云以獲得它們的mask，其中像素值由以下公式得到：
mask損失定義如下：
最終的損失函數定義如下：
其中， 和 是控制對應損失權重的超參數。
推理
實現細節
優化
點云初始化
利用現有的多視角重建方法來初始化點云。對于動態區域，使用分割方法 在輸入圖像中獲取它們的mask，并利用空間雕刻算法提取它們的粗略幾何信息。對于靜態背景區域，利用前景mask沿所有幀計算背景像素的mask加權平均，生成不包含前景內容的背景圖像。然后，在這些圖像上訓練一個 Instant-NGP模型，從中獲取初始點云。初始化后，動態區域每幀通常包含約 250k 個點，靜態背景區域通常包含約 300k 個點。
實驗
數據集和評估指標
在多個廣泛使用的多視角數據集上訓練和評估本文的方法 4K4D，包括 DNA-Rendering、ENeRF-Outdoor、NHR和 Neural3DV。
- DNA-Rendering: 這個數據集使用 4K 和 2K 相機記錄了動態人類和物體的 10 秒視頻片段，幀率為 15 FPS，采集了 60 個視角。由于錄制了復雜的服裝和快速移動的人物，這個數據集非常具有挑戰性。在 DNA-Rendering 的 4 個序列上進行實驗，其中將 90% 的視角作為訓練集，其余作為評估集。
- ENeRF-Outdoor: 這個數據集在室外環境中使用 1080p 相機以 30FPS 記錄了多個動態人物和物體。選擇了三個包含 6 個不同演員（每個序列選擇了 2 個演員）的 100 幀序列來評估本文的方法 4K4D。這個數據集對于動態視角合成具有挑戰性，因為同一個片段中不僅有多個移動的人物和物體，而且由于人物的陰影，背景也是動態的。
遵循 Im4D 和 NeuralBody 的做法，在 DNA-Rendering 和 NHR 數據集上評估動態區域的指標，可以通過預定義人物的 3D 邊界框并將其投影到圖像上來獲得。對于 ENeRF-Outdoor，聯合訓練前景的動態幾何和外觀以及背景的動態外觀，以獲得整體圖像的渲染結果。所有圖像在評估時都會按比例調整大小，如果原始分辨率超過 2K，則縮放比例為 0.375。在實驗中，DNA-Rendering 的渲染圖像大小為 1024×1224（和 1125×1536），ENeRF-Outdoor 的分辨率為 960×540。Neural3DV 視頻和 NHR 的分辨率分別為 1352×1224 和 512×612（和 384×512）。
對比實驗
對比結果在 DNA-Rendering數據集上的定性和定量比較如下圖5和表1所示。
從表 1 可以明顯看出，本文的方法 4K4D 的渲染速度比當前最先進的實時動態視角合成方法ENeRF快30倍，并且在渲染質量上表現更優秀。即使與并行工作相比，本文的方法 4K4D 仍然實現了 13 倍的加速，并且能夠產生一致性更高質量的圖像。如圖 5 所示，KPlanes無法恢復高度詳細的 4D 動態場景的外觀和幾何特征。其他基于圖像的方法 能夠產生高質量的外觀效果。然而，它們往往在遮擋和邊緣處產生模糊的結果，導致視覺質量的降低，最多能保持交互式幀率。相反，本文的方法 4K4D 可以以超過 200 FPS 的速度生成更高保真度的渲染結果。圖 3 和表 2 提供了在 ENeRF-Outdoor數據集上的定性和定量結果。即使在具有多個演員和動態背景的挑戰性 ENeRF-Outdoor 數據集上，本文的方法 4K4D 仍然能夠取得顯著更好的結果，同時以超過 140 FPS 的速度進行渲染。ENeRF在這個具有挑戰性的數據集上產生模糊的結果，而 IBRNet的渲染結果在圖像邊緣處含有黑色偽影，如圖 3 所示。K-Planse在重建動態人物和變化背景區域上失敗。
消融研究
在 DNA-Rendering數據集的 150 幀序列 0013 01 上進行了消融研究。定性和定量結果如下圖6和表4至表7所示。
存儲分析對于 150 幀序列 0013 01 場景，本文的方法 4K4D 的存儲分析列在表 5 中。由于其顯式表示，點位置 p 占據了模型尺寸的大部分。本文方法的最終存儲成本每幀少于 2 MB，包括源視頻。DNA-Rendering的輸入圖像以 JPEG 格式提供。使用 FFmpeg 的 HEVC 編碼器將所有輸入圖像的幀編碼為視頻，編碼質量因子設置為 25。編碼后，觀察到 LPIPS 沒有變化（0.040），SSIM 沒有損失（0.982），PSNR 只降低了 0.42%（31.990 對比 31.855），表明方法 4K4D 對于輸入圖像的視頻編碼具有魯棒性。對于以視頻形式編碼的輸入圖像，基于圖像的渲染的存儲開銷每幀僅為 0.419 MB，渲染質量幾乎沒有變化。
作者預計算了點云上的物理屬性以實現實時渲染，每幀大約需要 2 秒。盡管預計算的緩存尺寸較大（0013 01 的一幀為 200 MB），但這些預計算的緩存僅駐留在主存儲器中，并沒有顯式存儲在磁盤上，這對現代個人電腦來說是可行的。這使得表示形式成為一種壓縮形式，磁盤文件大小較小（每幀 2 MB），但所包含的信息非常豐富（每幀 200 MB）。
渲染速度分析
本文引入了多種優化技術來加速方法 4K4D 的渲染速度，這些技術僅由研究者們提出的混合幾何和外觀表示方法實現。在上面表6中，分析了這些提議技術在 DNA-Rendering 數據集的 150 幀序列 0013 01 上的有效性和質量影響。
計算的有效性
可微深度剝離本文還與傳統的基于 CUDA 的可微分點云渲染技術（PyTorch3D 提供的）進行比較，以驗證提出的可微分深度剝離算法的有效性。本文提出的可微分深度剝離算法和 PyTorch3D的實現都使用了與 Eq. (4) 相同的體積渲染方程。如表 6 所示，本文的方法比基于 CUDA 的方法快了超過 7 倍。
其他加速技術
- “w/o fp16” 變體使用原始的 32 位浮點數進行計算。
- “w/o K = 12” 變體在深度剝離算法中使用了 15 個渲染通道，與訓練時相同。使用 16 位浮點數和 12 個渲染通道都可以實現 20FPS 的加速。
不同GPU和分辨率上的渲染速度本文還報告了在不同硬件（RTX 3060、3090 和 4090）以及不同分辨率（720p、1080p 和 4K（2160p））上的渲染速度（見表 7）。這里報告的渲染速度包含了交互式 GUI 的開銷（“w/ GUI”），因此略低于報告的速度。4K4D 即使在使用普通硬件渲染 4K（2160p）圖像時也能實現實時渲染，如表中所示。
結論與討論
本文提出了一種基于神經點云的表示方法，稱為4K4D，用于實時渲染4K分辨率的動態3D場景。在4D特征網格上構建了4K4D，以自然地規范化點，并開發了一種新穎的混合外觀模型，用于高質量渲染。此外，本文開發了一種可微分深度剝離算法，利用硬件光柵化流水線有效優化和高效渲染所提出的模型。在實驗中，展示了4K4D不僅實現了最先進的渲染質量，而且在渲染速度上表現出了超過30倍的提升（在RTX 3090上，1080p分辨率超過200FPS）。
然而，本文的方法仍然存在一些局限性。4K4D無法生成跨幀的點對應關系，這對于某些下游任務至關重要。此外，4K4D的存儲成本隨視頻幀數線性增加，因此在建模長體積視頻時會面臨困難。如何建模點對應關系和減少長視頻的存儲成本，可能是未來研究中的兩個有趣問題。
本文轉自 AI生成未來 ，作者：Zhen Xu等
