最近，由Meta和卡內基梅隆大學提出的6-DoF視頻表征模型——HyperReel，可能預示著一個全新的VR「殺手級」應用即將誕生！

所謂「六自由度視頻」（6-DoF），簡單來說就是一個超高清的4D體驗式回放。

其中，用戶可以完全「置身于」動態場景里面，并且可以自由地移動。而當他們任意改變自己的頭部位置（3 DoF）和方向（3 DoF）時，與之相應的視圖也會隨之生成。

論文地址：https://arxiv.org/abs/2301.02238

與之前的工作相比，HyperReel最大的優勢在于內存和計算效率，而這兩點對于便攜式VR頭顯來說都至關重要。

而且只需采用vanilla PyTorch，HyperReel就能在單張英偉達RTX 3090上，以每秒18幀的速度實現百萬像素分辨率的渲染。

?

太長不看版：

1. 提出一種可在高分辨率下實現高保真度、高幀率的渲染的光線條件采樣預測網絡，以及一種緊湊且內存高效的動態體積表征；

2. 6-DoF視頻表征方法HyperReel結合了以上兩個核心部分，可以在實時渲染百萬像素分辨率的同時，實現速度、質量和內存之間的理想平衡；

3. HyperReel在內存需求、渲染速度等多個方面均優于其他方法。?

論文介紹

體積場景表征（volumetric scene representation）能夠為靜態場景提供逼真的視圖合成，并構成了現有6-DoF視頻技術的基礎。

然而，驅動這些表征的體積渲染程序，需要在質量、渲染速度和內存效率方面，進行仔細的權衡。

現有的方法有一個弊端——不能同時實現實時性能、小內存占用和高質量渲染，而在極具挑戰性的真實場景中，這些都是極為重要的。

為了解決這些問題，研究人員提出了HyperReel——一種基于NeRF技術（神經輻射場）的6-DoF視頻表征方法。

其中，HyperReel的兩個核心部分是：

1. 一個光線條件下的采樣預測網絡，能夠在高分辨率下進行高保真、高幀率的渲染；

2. 一個緊湊且內存高效的動態體積表征。

與其他方法相比，HyperReel的6-DoF視頻管線不僅在視覺質量上表現極佳，而且內存需求也很小。

同時，HyperReel無需任何定制的CUDA代碼，就能在百萬像素分辨率下實現18幀/秒的渲染速度。

具體來說，HypeReel通過結合樣本預測網絡和基于關鍵幀的體積表征法，從而實現了高渲染質量、速度和內存效率之間的平衡。

其中的樣本預測網絡，既能加速體積渲染，又能提高渲染質量，特別是對于具有挑戰性的視圖依賴性的場景。

而在基于關鍵幀的體積表征方面，研究人員采用的是TensoRF的擴展。

這種方法可以在內存消耗與單個靜態幀TensoRF大致相同的同時，湊地表征了一個完整的視頻序列。

實時演示

接下來，我們就實時演示一下，HypeReel在512x512像素分辨率下動態和靜態場景的渲染效果。

值得注意的是，研究人員在Technicolor和Shiny場景中使用了更小的模型，因此渲染的幀率大于40 FPS。對于其余的數據集則使用完整模型，不過HypeReel仍然能夠提供實時推理。

Technicolor

Shiny

Stanford

Immersive

DoNeRF

實現方法

為了實現HeperReel，首先要考慮的問題，就是要優化靜態視圖合成的體積表征。

像NeRF這樣的體積表征，就是對靜態場景在3D空間中的每一個點的密度和外觀，進行建模。

更具體地說，通過函數將位置x和方向沿著?條射線映射到顏色和密度σ(x)。

此處的可訓練參數θ，可以是神經網絡權重、N維數組條目，或兩者的組合。?

然后就可以渲染靜態場景的新視圖

其中表征從o到的透射率。?

在實踐中，可以通過沿給定射線獲取多個樣本點，然后使用數值求積來計算方程式1：

其中權重指定了每個樣本點的顏色對輸出的貢獻。?

體積渲染的網格示例

在靜態場景的HyperReel中，給定一組圖像和相機姿勢，而訓練目標就是重建與每條光線相關的測量顏色。

大多數場景是由實體物體組成的，這些物體的表面位于3D場景體積內的一個2D流形上。在這種情況下，只有一小部分樣本點會影響每條光線的渲染顏色。

因此，為了加速體積渲染，研究人員希望只對非零的點，查詢顏色和不透明度。

如下圖所示，研究人員使用前饋網絡來預測一組樣本位置。具體來說，就是使用樣本預測網絡，將射線映射到樣本點，以獲取體積等式2中的渲染。

?這里，研究人員使用Plucker的參數化來表征光線。??

但是這其中有一個問題：給網絡太多的靈活性，可能會對視圖合成質量產生負面影響。例如，如果(x1, . . . , xn) 是完全任意的點，那么渲染可能看起來不是多視圖?致的。

為了解決這個問題，研究人員選擇用樣本預測網絡來預測一組幾何基元G1, ..., Gn的參數，其中基元的參數可以根據輸入射線的不同而變化。為了得到樣本點，將射線與每個基元相交。

如圖a所示，給定源自相機原點o并沿方向ω傳播的輸入光線后， 研究人員首先使用Plucker坐標，重新對光線進行參數化。

如圖b所示，一個網絡將此射線作為輸入，輸出一組幾何基元{}（如軸對齊的平面和球體）和位移矢量{}的參數。??

如圖c所示，為了生成用于體積渲染的樣本點{}，研究人員計算了射線和幾何基元之間的交點，并將位移矢量添加到結果中。預測幾何基元的好處是使采樣信號平滑，易于插值。

位移矢量為采樣點提供了額外的靈活性，能夠更好地捕捉到復雜的視線依賴的外觀。?

如圖d所示，最終，研究人員通過公式2進行體積渲染，產生一個像素顏色，并根據相應的觀察結果，對它進行了監督訓練。

基于關鍵幀的動態體積

通過上述辦法，就可以有效地對3D場景體積進行采樣。

如何表征體積呢？在靜態情況下，研究人員使用的是內存有效的張量輻射場(TensoRF)方法；在動態情況下，就將TensoRF擴展到基于關鍵幀的動態體積表征。

下圖解釋了從基于關鍵幀的表征中，提取動態的樣本點表征的過程。

如圖1所示，首先，研究人員使用從樣本預測網絡輸出的速度{}，將時間處的樣本點{}平移到最近的關鍵幀中。

然后，如圖2所示，研究人員查詢了時空紋理的外積，產生了每個樣本點的外觀特征，然后通過公式10將其轉換成顏色。

通過這樣的過程，研究人員提取了每個樣本的的不透明度。?

結果對比

靜態場景的比較

在此，研究人員將HyperReel與現有的靜態視圖合成方法（包括NeRF、InstantNGP和三種基于采樣網絡的方法）進行了比較。

• DoNeRF數據集?

DoNeRF數據集包含六個合成序列，圖像分辨率為800×800像素。

如表1所示，HyperReel的方法在質量上優于所有基線，并在很大程度上提高了其他采樣網絡方案的性能。

同時，HyperReel是用vanilla PyTorch實現的，可在單張RTX 3090 GPU上以6.5 FPS的速度渲染800×800像素的圖像（或者用Tiny模型實現29 FPS的渲染）。

此外，與R2L的88層、256個隱藏單元的深度MLP相比，研究人員提出的6層、256個隱藏單元的網絡外加TensoRF體積骨干的推理速度更快

• LLFF數據集?

LLFF數據集包含8個具有1008×756像素圖像的真實世界序列。

如表1所示，HyperReel的方法優于DoNeRF、AdaNeRF、TermiNeRF和InstantNGP，但取得的質量比NeRF略差。

由于錯誤的相機校準和輸入視角的稀疏性，這個數據集對顯式體積表征來說是一個巨大的挑戰。

動態場景的比較

• Technicolor數據集?

Technicolor光場數據集包含了由時間同步的4×4攝像機裝置拍攝的各種室內環境的視頻，其中每個視頻流中的每張圖片都是2048×1088像素。

研究人員將HyperReel和Neural 3D Video在全圖像分辨率下對這個數據集的五個序列（Birthday, Fabien, Painter, Theater, Trains）進行比較，每個序列有50幀長。

如表2所示，HyperReel的質量超過了Neural 3D Video，同時每個序列的訓練時間僅為1.5個小時（而不是Neural 3D的1000多個小時），并且渲染速度更快。

• Neural 3D Video數據集?

Neural 3D Video數據集包含6個室內多視圖視頻序列，由20臺攝像機以2704×2028像素的分辨率拍攝。

如表2所示，HyperReel在這個數據集上的表現超過了所有的基線方法，包括NeRFPlayer和StreamRF等最新工作。

特別是，HyperReel在數量上超過了NeRFPlayer，渲染速度是其40倍左右；在質量上超過了StreamRF，盡管其采用Plenoxels為骨干的方法（使用定制的CUDA內核來加快推理速度）渲染速度更快。

此外，HyperReel平均每幀消耗的內存比StreamRF和NeRFPlayer都要少得多。

• 谷歌Immersive數據集?

谷歌Immersive數據集包含了各種室內和室外環境的光場視頻。

如表2所示，HyperReel在質量上比NeRFPlayer的要好1 dB，同時渲染速度也更快。

有些遺憾的是，HyperReel目前還沒有達到VR所要求的渲染速度（理想情況下為72FPS，立體聲）。

不過，由于該方法是在vanilla PyTorch中實現的，因此可以通過比如自定義的CUDA內核等工作，來進一步優化性能。

作者介紹

論文一作Benjamin Attal，目前在卡內基梅隆機器人研究所攻讀博士學位。研究興趣包括虛擬現實，以及計算成像和顯示。