【NeRF】（一）NeRF论文学习笔记

NeRF学习笔记

概述：

1. 重建：根据目前有的不同角度二维图片，重建三维物体。

   用 MLP 网络学 Scene Representation，以实现 输入源图像对应的三维空间坐标和相机视角 $(x,y,z,\theta ,\varphi )$；输出$(R,G,B,\sigma )$ ，分别表示RGB 颜色值和体素密度 。

2. 训练兼渲染：由 Volume Rendering 生成预测的 2D image。

   • 让摄像机光线穿过场景，生成一组采样的3D点
   • 利用这些点及其对应的二维观察方向作为神经网络的输入，产生一组颜色和密度的输出
   • 使用经典的体积渲染技术，将这些颜色和密度积累到一个二维图像中
   • 预测的 2D image 和 ground truth image 之间算 L2 loss，继而再对MLP进行优化。
   

总体过程如下：

1 实现过程

1.1 相机参数：如何通过不同角度的照片得出输入数据

流程总结：

• 数据预处理

  • 给定一组图片，利用colmap软件得到外参内参

  • 之后将上面的colmap格式转化成llff格式，此时共有17个参数（12个外参、3个内参、2个范围表示）

• 输入

  • 取成像平面中某一位置（对应的real像素值是已知的），与相机位置的连线构成一条射线，先得到在相机坐标系下的射线方向向量，之后利用外参逆矩阵（c2w)转换到世界坐标系下。
  • 在最近和最远距离内采样 n 个点，得到三维的位置参数，构成n个五维向量即为输入。

补充知识点：

1. 齐次坐标系

   如果一个点在无穷远处，这个点的坐标将会$(\infty ,\infty )$，在欧氏空间中，这就变得没有意义。如果使用齐次坐标，平行线在透视空间的无穷远处交于一点，这样就实现了对于无穷点的表示。

   简而言之，齐次坐标就是用N+1维来代表N维坐标

   我们可以在一个2D笛卡尔坐标末尾加上一个额外的变量w来形成 2D齐次坐标。因此，一个在笛卡尔坐标系下的点$(X,Y)$在齐次坐标里面变成了 $(x,y,w)$，并且有:
   $$X=\frac{x}{w};Y=\frac{y}{w}$$
   例如笛卡尔坐标系下(1,2)，在齐次坐标系中可以表示为（1,2,1），如果点（1,2）移动到无限远处，在笛卡尔坐标下它变为$(\infty ,\infty )$，然后它的齐次坐标表示为(1,2,0)。注意这样的话，我们可以不用 ” $\infty$" 来表示一个无穷远处的点了。

   另外注意方向向量的齐次坐标第四维等于0，点坐标第四维等于1。

   参考：什么是齐次坐标系?为什么要用齐次坐标系？ - 知乎 (zhihu.com)

2. 相机坐标系：

   

   为了建立3D空间点到相机平面的映射关系以及多个相机之间的相对关系，我们会对每一个相机定义一个局部的相机坐标系。下图为常见的坐标系定义习惯。

   

3. 相机的内外参数

   • 相机外参

     相机外参是一个4x4的矩阵 M，其作用是将世界坐标系的点 $P_{world}=[x,y,z,1]$ 变换到相机坐标系$P_{camera}=M{P}_{world}$下。我们也把相机外参叫做world-to-camera (w2c)矩阵。而NeRF主要使用camera-to-world (c2w)矩阵，即相机外参的逆矩阵，其作用是把相机坐标系的点变换到世界坐标系。

     

     c2w矩阵的值直接描述了相机坐标系的朝向和原点：

     

   • 相机内参

     相机的内参矩阵将相机坐标系下的3D坐标映射到2D的图像平面，这里以针孔相机(Pinhole camera)为例介绍相机的内参矩阵K：

     

     内参矩阵K包含4个值，其中fx和fy是相机的水平和垂直焦距（对于理想的针孔相机，fx=fy）。焦距的物理含义是相机中心到成像平面的距离，长度以像素为单位。cx和cy是图像原点相对于相机光心的水平和垂直偏移量。cx，cy有时候可以用图像宽和高的1/2近似，实际在使用中，内参只记录三个值$(F,H,W)$

4. 由colmap到llff：

   由imgs2poses.py来实现

5. 3D空间射线怎么构造

   

   首先3D像素点的x和y坐标是2D的图像坐标 (i, j)减去光心坐标 (cx,cy)，然后z坐标其实就是焦距f (因为图像平面距离相机中心的距离就是焦距f)。所以我们就可以得到射线的方向向量是$(i-c_x,j-c_y,f)-(0,0,0)=(i-c_x,j-c_y,f)$，因为是向量，我们可以把整个向量除以焦距f归一化z坐标，得到$(\frac{i-c_x}{f},\frac{j-c_y}{f},1)$

参考：NeRF代码解读-相机参数与坐标系变换 - 陈冠英的文章 - 知乎

1.2 MLP

由$(x,y,z,\theta ,\varphi )$到$(R,G,B,\sigma )$由MLP来完成，结构如下：

其中$(\theta ,\varphi )$只会影响颜色值而不影响密度$\sigma$,所以采用了这样的结构。

1.3 体积渲染及离散化

对于一张图片上的每一个像素点，我们首先根据相机位姿生成一条射线，之后在一条射线上$[t_n,t_f]$之间等分成n份进行采样：
$$t_i\sim \mathcal{U}[t_n+\frac{i-1}{N}(t_f-t_n),t_n+\frac{i}{N}(t_f-t_n)]\text{\hspace{1em}(1)}$$
之后2D图片上对应位置的颜色可以离散化计算：
$$\hat{C}(\mathbf{r})=\sum _{i=1}^N{T}_i(1-\exp (-{\sigma }_i{\delta }_i)){\mathbf{c}}_i,\text{where}{T}_i=\exp \left(-\sum _{j=1}^{i-1}{\sigma }_j{\delta }_j\right)\text{\hspace{1em}(2)}$$
这样我们就能得到图片上每个像素点的颜色。

详细过程可看：体渲染公式推导

1.4 优化点

1. 位置编码
   $$\gamma (p)=\left(\sin \left(2^0\pi p\right),\cos \left(2^0\pi p\right),\cdots ,\sin \left(2^{L-1}\pi p\right),\cos \left(2^{L-1}\pi p\right)\right)\text{\hspace{1em}(3)}$$
   把输入的值进行傅里叶级数分解，便于提取其中的高维特征，神经网络会达到更好的效果。

   其中，$L=10$用于$(x,y,z)$三个坐标值,$L=4$用于方向向量$\gamma (\mathbf{d})$

2. Hierarchical volume sampling

   进行两次采样（coarse和fine）

   • 第一次coarse均匀采样（$N_c$ = 64），用公式(3)来表示出颜色，稍微变化一下形式：
     $${\hat{C}}_c(\mathbf{r})=\sum _{i=1}^{N_c}{w}_i{c}_i,w_i=T_i(1-\exp (-{\sigma }_i{\delta }_i))\text{\hspace{1em}(4)}$$
     这样就得出了每个采样点的权重。

     之后进行归一化：${\hat{w}}_i{=}^{w_i}/{\sum }_{j=1}^{N_c}{w}_j$,这样就表示成了一个分段的常数概率密度函数PDF。

   • 第二次fine采样，在第一次采样得出的PDF上进行逆变换采样($N_f=128$)，之后用总的采样点($N_c+N_f$)训练网络，得到${\hat{C}}_f(\mathbf{r})$

   采样完成后进行训练，损失函数是：
   $$\mathcal{L}=\sum _{\mathbf{r}\in \mathcal{R}}\left[{\Vert {\hat{C}}_c(\mathbf{r})-C(\mathbf{r})\Vert }_2^2+{\Vert {\hat{C}}_f(\mathbf{r})-C(\mathbf{r})\Vert }_2^2\right]$$
   虽然最终的渲染来自${\hat{C}}_f(\mathbf{r})$，但我们也最小化了${\hat{C}}_c(\mathbf{r})$的损失，以便可以利用来自粗网络的权值分布在精细网络中分配样本。

参考文献和资料
[1]:NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[2]:NeRF代码解读-相机参数与坐标系变换 - 陈冠英的文章 - 知乎
[3]:“图形学小白”友好的NeRF原理透彻讲解