CVPR 2024滿分論文解讀：基于可變形三維高斯的高質(zhì)量單目動態(tài)重建新方法

   

    

     

      

       

        

         來源：機(jī)器之心
        
       
      
     
    
   
   

    

     

      

       

        

         本文約2200字，建議閱讀7分鐘
        
        

         這是首個使用變形場將 3D 高斯拓展到單目動態(tài)場景的工作。
        
       
      
     
    
   

單目動態(tài)場景（Monocular Dynamic Scene）是指使用單眼攝像頭觀察并分析的動態(tài)環(huán)境，其中場景中的物體可以自由移動。單目動態(tài)場景重建對于理解環(huán)境中的動態(tài)變化、預(yù)測物體運(yùn)動軌跡以及動態(tài)數(shù)字資產(chǎn)生成等任務(wù)至關(guān)重要。

隨著以神經(jīng)輻射場（Neural Radiance Field, NeRF）為代表的神經(jīng)渲染的興起，越來越多的工作開始使用隱式表征（implicit representation）進(jìn)行動態(tài)場景的三維重建。

盡管基于 NeRF 的一些代表工作，如 D-NeRF，Nerfies，K-planes 等已經(jīng)取得了令人滿意的渲染質(zhì)量，他們?nèi)匀痪嚯x真正的照片級真實(shí)渲染（photo-realistic rendering）存在一定的距離。

來自浙江大學(xué)、字節(jié)跳動的研究團(tuán)隊(duì)認(rèn)為，上述問題的根本原因在于基于光線投射（ray casting）的 NeRF pipeline 通過逆向映射（backward-flow）將觀測空間（observation space）映射到規(guī)范空間（canonical space）無法實(shí)現(xiàn)準(zhǔn)確且干凈的映射。逆向映射并不利于可學(xué)習(xí)結(jié)構(gòu)的收斂，使得目前的方法在 D-NeRF 數(shù)據(jù)集上只能取得 30 + 級別的 PSNR 渲染指標(biāo)。

為了解決這一問題，該研究團(tuán)隊(duì)提出了一種基于光柵化（rasterization）的單目動態(tài)場景建模 pipeline，首次將變形場（Deformation Field）與 3D 高斯（3D Gaussian Splatting）結(jié)合，實(shí)現(xiàn)了高質(zhì)量的重建與新視角渲染。

研究論文《Deformable 3D Gaussians for High-Fidelity Monocular Dynamic Scene Reconstruction》已被計算機(jī)視覺頂級國際學(xué)術(shù)會議 CVPR 2024 接收。值得一提的是，這是首個使用變形場將 3D 高斯拓展到單目動態(tài)場景的工作。

項(xiàng)目主頁：

https://ingra14m.github.io/Deformable-Gaussians/

論文地址：

https://arxiv.org/abs/2309.13101

代碼地址：

https://github.com/ingra14m/Deformable-3D-Gaussians

實(shí)驗(yàn)結(jié)果表明，變形場可以準(zhǔn)確地將規(guī)范空間下的 3D 高斯前向映射（forward-flow）到觀測空間，不僅在 D-NeRF 數(shù)據(jù)集上實(shí)現(xiàn)了 10 + 的 PSNR 提高，而且在相機(jī)位姿不準(zhǔn)確的真實(shí)場景也取得了渲染細(xì)節(jié)上的增加：

▲ 圖1. HyperNeRF 真實(shí)場景的實(shí)驗(yàn)結(jié)果

一、相關(guān)工作

動態(tài)場景重建一直以來是三維重建的熱點(diǎn)問題。隨著以 NeRF 為代表的神經(jīng)渲染實(shí)現(xiàn)了高質(zhì)量的渲染，動態(tài)重建領(lǐng)域涌現(xiàn)出了一系列以隱式表征作為基礎(chǔ)的工作。

D-NeRF 和 Nerfies 在 NeRF 光線投射 pipeline 的基礎(chǔ)上引入了變形場，實(shí)現(xiàn)了穩(wěn)健的動態(tài)場景重建。TiNeuVox，K-Planes 和 Hexplanes 在此基礎(chǔ)上引入了網(wǎng)格結(jié)構(gòu)，大大加速了模型的訓(xùn)練過程，渲染速度有一定的提高。然而這些方法都基于逆向映射，無法真正實(shí)現(xiàn)高質(zhì)量的規(guī)范空間和變形場的解耦。

3D 高斯?jié)姙R是一種基于光柵化的點(diǎn)云渲染 pipeline。其 CUDA 定制的可微高斯光柵化 pipeline 和創(chuàng)新的致密化使得 3D 高斯不僅實(shí)現(xiàn)了 SOTA 的渲染質(zhì)量，還實(shí)現(xiàn)了實(shí)時渲染。Dynamic 3D 高斯首先將靜態(tài)的 3D 高斯拓展到了動態(tài)領(lǐng)域。然而，其只能處理多目場景非常嚴(yán)重地制約了其應(yīng)用于更通用的情況，如手機(jī)拍攝等單目場景。

二、研究思想

Deformable-GS 的核心在于將靜態(tài)的 3D 高斯拓展到單目動態(tài)場景。每一個 3D 高斯攜帶位置，旋轉(zhuǎn)，縮放，不透明度和 SH 系數(shù)用于圖像層級的渲染。

根據(jù) 3D 高斯 alpha-blend 的公式，不難發(fā)現(xiàn)，隨時間變化的位置，以及控制高斯形狀的旋轉(zhuǎn)和縮放是決定動態(tài) 3D 高斯的決定性參數(shù)。然而，不同于傳統(tǒng)的基于點(diǎn)云的渲染方法，3D 高斯在初始化之后，位置，透明度等參數(shù)會隨著優(yōu)化不斷更新。這給動態(tài)高斯的學(xué)習(xí)增加了難度。

該研究創(chuàng)新性地提出了變形場與 3D 高斯聯(lián)合優(yōu)化的動態(tài)場景渲染框架。具體來說，該研究將 COLMAP 或隨機(jī)點(diǎn)云初始化的 3D 高斯視作規(guī)范空間，隨后通過變形場，以規(guī)范空間中 3D 高斯的坐標(biāo)信息作為輸入，預(yù)測每一個 3D 高斯隨時間變化的位置和形狀參數(shù)。

利用變形場，該研究可以將規(guī)范空間的 3D 高斯變換到觀測空間用于光柵化渲染。這一策略并不會影響 3D 高斯的可微光柵化 pipeline，經(jīng)過其計算得到的梯度可以用于更新規(guī)范空間 3D 高斯的參數(shù)。

此外，引入變形場有利于動作幅度較大部分的高斯致密化。這是因?yàn)閯幼鞣容^大的區(qū)域變形場的梯度也會相對較高，從而指導(dǎo)相應(yīng)區(qū)域在致密化的過程中得到更精細(xì)的調(diào)控。即使規(guī)范空間 3D 高斯的數(shù)量和位置參數(shù)在初期也在不斷更新，但實(shí)驗(yàn)結(jié)果表明，這種聯(lián)合優(yōu)化的策略可以最終得到穩(wěn)健的收斂結(jié)果。大約經(jīng)過 20000 輪迭代，規(guī)范空間的 3D 高斯的位置參數(shù)幾乎不再變化。

研究團(tuán)隊(duì)發(fā)現(xiàn)真實(shí)場景的相機(jī)位姿往往不夠準(zhǔn)確，而動態(tài)場景更加劇了這一問題。這對于基于神經(jīng)輻射場的結(jié)構(gòu)來說并不會產(chǎn)生較大的影響，因?yàn)樯窠?jīng)輻射場基于多層感知機(jī)（Multilayer Perceptron，MLP），是一個非常平滑的結(jié)構(gòu)。但是 3D 高斯是基于點(diǎn)云的顯式結(jié)構(gòu)，略微不準(zhǔn)確的相機(jī)位姿很難通過高斯?jié)姙R得到較為穩(wěn)健地矯正。

為了緩解這個問題，該研究創(chuàng)新地引入了退火平滑訓(xùn)練（Annealing Smooth Training，AST）。該訓(xùn)練機(jī)制旨在初期平滑 3D 高斯的學(xué)習(xí)，在后期增加渲染的細(xì)節(jié)。這一機(jī)制的引入不僅提高了渲染的質(zhì)量，而且大幅度提高了時間插值任務(wù)的穩(wěn)定性與平滑性。

圖 2 展示了該研究的 pipeline，詳情請參見論文原文。

▲ 圖2. 該研究的 pipeline

三、結(jié)果展示

該研究首先在動態(tài)重建領(lǐng)域被廣泛使用的 D-NeRF 數(shù)據(jù)集上進(jìn)行了合成數(shù)據(jù)集的實(shí)驗(yàn)。從圖 3 的可視化結(jié)果中不難看出，Deformable-GS 相比于之前的方法有著非常巨大的渲染質(zhì)量提升。

▲ 圖3. 該研究在D-NeRF數(shù)據(jù)集上的定性實(shí)驗(yàn)對比結(jié)果

該研究提出的方法不僅在視覺效果上取得了大幅度的提升，在渲染的定量指標(biāo)上也有著相應(yīng)的改進(jìn)。

值得注意的是，研究團(tuán)隊(duì)發(fā)現(xiàn) D-NeRF 數(shù)據(jù)集的 Lego 場景存在錯誤，即訓(xùn)練集和測試集的場景具有微小的差別。這體現(xiàn)在 Lego 模型鏟子的翻轉(zhuǎn)角度不一致。這也是為什么之前方法在 Lego 場景的指標(biāo)無法提高的根本原因。為了實(shí)現(xiàn)有意義的比較，該研究使用了 Lego 的驗(yàn)證集作為指標(biāo)測量的基準(zhǔn)。

▲ 圖4. 在合成數(shù)據(jù)集上的定量比較

如圖 4 所示，該研究在全分辨率（800x800）下對比了 SOTA 方法，其中包括了 CVPR 2020 的 D-NeRF，Sig Asia 2022 的 TiNeuVox 和 CVPR2023 的 Tensor4D，K-planes。該研究提出的方法在各個渲染指標(biāo)（PSNR、SSIM、LPIPS），各個場景下都取得了大幅度的提高。

該研究提出的方法不僅能夠適用于合成場景，在相機(jī)位姿不夠準(zhǔn)確的真實(shí)場景也取得了 SOTA 結(jié)果。如圖 5 所示，該研究在 NeRF-DS 數(shù)據(jù)集上與 SOTA 方法進(jìn)行了對比。實(shí)驗(yàn)結(jié)果表明，即使沒有對高光反射表面進(jìn)行特殊處理，該研究提出的方法依舊能夠超過專為高光反射場景設(shè)計的 NeRF-DS，取得了最佳的渲染效果。

▲ 圖5. 真實(shí)場景方法對比

雖然 MLP 的引入增加了渲染開銷，但是得益于 3D 高斯極其高效的 CUDA 實(shí)現(xiàn)與我們緊湊的 MLP 結(jié)構(gòu)，我們依舊能夠做到實(shí)時渲染。在 3090 上 D-NeRF 數(shù)據(jù)集的平均 FPS 可以達(dá)到 85（400x400），68（800x800）。

此外，該研究還首次應(yīng)用了帶有前向與反向深度傳播的可微高斯光柵化管線。如圖 6 所示，該深度也證明了 Deformable-GS 也可以得到魯棒的幾何表示。深度的反向傳播可以推動日后很多需要使用深度監(jiān)督的任務(wù)，例如逆向渲染（Inverse Rendering），SLAM 與自動駕駛等。

▲ 圖6. 深度可視化?