首頁 > 文章 > 科技週邊 > CVPR 2024滿分論文：浙大提出基於可變形三維高斯的高品質單目動態重建新方法

CVPR 2024滿分論文：浙大提出基於可變形三維高斯的高品質單目動態重建新方法

WBOY轉載: 2024-03-05 15:58:19350瀏覽

單眼動態場景（Monocular Dynamic Scene）是指使用單眼相機觀察和分析的動態環境，其中物件可以在場景中自由移動。單眼動態場景重建在理解環境中的動態變化、預測物件運動軌跡以及產生動態數位資產等任務中具有關鍵意義。利用單眼視覺技術，可以實現動態場景的三維重建和模型估計，幫助我們更好地理解和處理動態環境中的各種情況。這種技術不僅可應用於電腦視覺領域，還可以在自動駕駛、擴增實境和虛擬實境等領域發揮重要作用。透過單眼動態場景重建，我們可以更準確地捕捉環境中物體的運動

隨著以神經輻射場（Neural Radiance Field, NeRF）為代表的神經渲染的興起，越來越多的工作開始使用隱式表徵（implicit representation）進行動態場景的三維重建。儘管基於 NeRF 的一些代表工作，如 D-NeRF，Nerfies，K-planes 等已經取得了令人滿意的渲染質量，他們仍然距離真正的照片級真實渲染（photo-realistic rendering）存在一定的距離。

來自浙江大學和位元組跳動的研究團隊指出，上述問題的核心在於基於光線投射（ray casting）的NeRF pipeline 透過逆向映射（backward-flow）將觀測空間（observation space）映射到規範空間（canonical space）時出現了準確性和清晰度方面的挑戰。逆向映射對於學習結構的收斂並不理想，導致目前的方法在 D-NeRF 資料集上僅能達到 30 等級的 PSNR 渲染指標。

為了解決這個挑戰，研究團隊提出了一個基於光柵化的單眼動態場景建模流程。他們首次將變形場與3D高斯結合，創造了一種新的方法，實現了高品質的重建和新視角渲染。這項研究論文《Deformable 3D Gaussians for High-Fidelity Monocular Dynamic Scene Reconstruction》已被電腦視覺領域頂尖國際學術會議CVPR 2024接受。這項工作中獨特的地方在於，它是第一個將變形場應用於3D高斯以拓展到單眼動態場景的研究。

CVPR 2024满分论文：浙大提出基于可变形三维高斯的高质量单目动态重建新方法

專案首頁：https://ingra14m.github.io/Deformable-Gaussians/
論文連結：https://arxiv.org/abs/2309.13101
程式碼：https://github.com/ingra14m/Deformable-3D-Gaussians

實驗結果表明，變形場能夠有效地將規範空間中的3D高斯前向映射精確地映射到觀測空間。在D-NeRF資料集上，實現了10%以上的PSNR提升。此外，在真實場景中即使相機位姿不夠準確，也能夠增加渲染細節。

CVPR 2024满分论文：浙大提出基于可变形三维高斯的高质量单目动态重建新方法

^{之後上使用範例 1 HyperNeRF 真實情境的實驗結果。}

相關工作

動態場景重建一直以來都是三維重建的熱門議題。隨著以 NeRF 為代表的神經渲染實現了高品質的渲染，動態重建領域湧現了一系列以隱式表徵作為基礎的工作。 D-NeRF 和 Nerfies 在 NeRF 光線投射 pipeline 的基礎上引入了變形場，實現了穩健的動態場景重建。 TiNeuVox，K-Planes 和 Hexplanes 在此基礎上引入了網格結構，大大加速了模型的訓練過程，渲染速度有一定的提高。然而這些方法都基於逆向映射，無法真正實現高品質的規範空間和變形場的解耦。

3D 高斯潑濺是一種基於光柵化的點雲渲染 pipeline。其 CUDA 定制的可微高斯光柵化 pipeline 和創新的緻密化使得 3D 高斯不僅實現了 SOTA 的渲染質量，還實現了即時渲染。 Dynamic 3D 高斯首先將靜態的 3D 高斯拓展到了動態領域。然而，其只能處理多目場景非常嚴重地限制了其應用於更通用的情況，例如手機拍攝等單眼場景。

研究想法

Deformable-GS 的核心在於將靜態的 3D 高斯拓展到單眼動態場景。每一個 3D 高斯攜帶位置，旋轉，縮放，不透明度和 SH 係數用於影像層級的渲染。根據 3D 高斯 alpha-blend 的公式，不難發現，隨時間變化的位置，以及控制高斯形狀的旋轉和縮放是決定動態 3D 高斯的決定性參數。然而，不同於傳統的基於點雲的渲染方法，3D 高斯在初始化之後，位置，透明度等參數會隨著最佳化而不斷更新。這給動態高斯的學習增加了難度。

該研究創新地提出了變形場與 3D 高斯聯合優化的動態場景渲染框架。具體來說，該研究將COLMAP 或隨機點雲初始化的3D 高斯視為規範空間，隨後透過變形場，以規範空間中3D 高斯的座標資訊作為輸入，預測每一個3D 高斯隨時間變化的位置和形狀參數。利用變形場，研究可以將規範空間的 3D 高斯變換到觀測空間以進行光柵化渲染。此策略並不會影響 3D 高斯的可微光柵化 pipeline，而經過計算後的梯度可用於更新規範空間 3D 高斯的參數。

此外，引入變形場有利於動作幅度較大部分的高斯緻密化。這是因為動作幅度較大的區域變形場的梯度也會相對較高，從而指導相應區域在緻密化的過程中得到更精細的調控。即使規範空間 3D 高斯的數量和位置參數在初期也在不斷更新，但實驗結果表明，這種聯合優化的策略可以最終得到穩健的收斂結果。大約經過 20000 輪迭代，規範空間的 3D 高斯的位置參數幾乎不再改變。

研究團隊發現真實場景的相機位姿往往不夠準確，而動態場景更加劇了這個問題。這對於基於神經輻射場的結構來說並不會產生較大的影響，因為神經輻射場是基於多層感知機（Multilayer Perceptron，MLP），是一個非常平滑的結構。但 3D 高斯是基於點雲的顯式結構，略微不準確的相機位姿很難透過高斯潑濺得到較為穩健地矯正。

為了緩解這個問題，該研究創新地引入了退火平滑訓練（Annealing Smooth Training，AST）。此訓練機制旨在初期平滑 3D 高斯的學習，在後期增加渲染的細節。這機制的引入不僅提高了渲染的質量，而且大幅提高了時間插值任務的穩定性與平滑性。

圖 2 展示了本研究的 pipeline，詳情請參考論文原文。

CVPR 2024满分论文：浙大提出基于可变形三维高斯的高质量单目动态重建新方法

^{作用中使用 2 此研究研究中的 pipeline。}

結果展示

該研究首先在動態重建領域被廣泛使用的D-NeRF 資料集上進行了合成資料集的實驗。從圖 3 的可視化結果中不難看出，Deformable-GS 相比之前的方法有著非常巨大的渲染品質提升。

CVPR 2024满分论文：浙大提出基于可变形三维高斯的高质量单目动态重建新方法

^{中對資料集 RF 1.}

本研究提出的方法不僅在視覺效果上取得了大幅度的提升，在渲染的量化指標上也有相應的改進。值得注意的是，研究團隊發現 D-NeRF 資料集的 Lego 場景存在錯誤，即訓練集和測試集的場景具有微小的差異。這體現在 Lego 模型鏟子的翻轉角度不一致。這也是為什麼先前方法在 Lego 場景的指標無法提高的根本原因。為了實現有意義的比較，研究使用了 Lego 的驗證集作為指標測量的基準。

CVPR 2024满分论文：浙大提出基于可变形三维高斯的高质量单目动态重建新方法

^{作用中使用 4 合成資料集的定量比較。}

如圖4 所示，該研究在全解析度（800x800）下比較了SOTA 方法，其中包括了CVPR 2020 的D-NeRF，Sig Asia 2022 的TiNeuVox 和CVPR2023的Tensor4D，K-planes。研究提出的方法在各個渲染指標（PSNR、SSIM、LPIPS），各個場景下都取得了大幅的提升。

該研究提出的方法不僅能夠適用於合成場景，在相機位姿不夠準確的真實場景也取得了 SOTA 結果。如圖 5 所示，該研究在 NeRF-DS 資料集上與 SOTA 方法進行了比較。實驗結果表明，即使沒有對高光反射表面進行特殊處理，該研究提出的方法依舊能夠超過專為高光反射場景設計的 NeRF-DS，取得了最佳的渲染效果。

CVPR 2024满分论文：浙大提出基于可变形三维高斯的高质量单目动态重建新方法