96、ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering

简介

论文：https://arxiv.org/pdf/2305.02103.pdf
充分渲染雾场景，并从参与媒体中分解无雾背景，提出了散射体和场景物体的解纠缠表示，并学习了基于物理启发损失的场景重建

贡献点：

• 提出了一种通过在体绘制过程中引入Koschmieder散射模型来学习参与介质的解纠缠表示的方法。
• 方法增加了一个用于模拟散射介质特性的MLP，并且不需要任何额外的采样或其他程序，使其在计算和内存消耗方面都成为轻量级框架。
• 学习了基于物理的场景表示，并能够控制其模糊外观。使用在受控和野外环境中捕获的真实数据来证实这一点。

实现流程

方法和两个参考NeRF模型沿两条投射射线的射线终止分布。DS-NeRF和mip-NeRF-360中提出的正则化方法将累计透射率T表示为阶跃函数，而ScatterNeRF则对散射过程进行建模

大的散射体积可以用Koschmieder模型来近似。

对于每个像素，建立了衰减模型，表示由于物体散射的直接光造成的损失强度，以及由于环境光散射到观察者而造成的空气光$c_p$的贡献。

l 为透射，$C_F$对应观测到的像素值，$C_c$为清晰场景

透射率 l 可由衰减系数 ${\sigma }_p$和深度D计算得到

NeRF体渲染公式


积分对象颜色 $C_c$ 定义为在位置 r 处发射的颜色 $C_c(r)$;

放宽对 ${\sigma }_p$ 和 $c_p$ 的约束，允许它们近似任意值



离散化表示为

对于使用MLP得到的 σ i , c i   i ∈ { c , p } \sigma_i,c_i \ i\in \{c,p\} σi​,ci​ i∈{ c,p}，可以表示为

通过缩放 ${\sigma }_p$ 来渲染不同雾密度的场景，甚至通过设置${\sigma }_p=0$ 来完全去雾化图像，当${\sigma }_p=0$，渲染公式为：

损失函数

rgb损失

大气光颜色损失

$I_F$ 是模糊图像的相对亮度 $I_F(r)=\xi \cdot lin({\bar{C}}_F(r))$

$c_p^0$ 是在暗信道先验条件下计算的初始全局恒定大气光估计值

$z=1/(l-1)$ $\lambda$ 是加权因子

场景中投射的光线具有峰值单峰射线终止分布

正则化散射介质${\hat{\sigma }}_p$的密度，${\hat{\sigma }}_p$以半监督的方式拟合，能够模拟雾的不均匀性。应用基于熵的损失，允许网络 $f_p$ 学习空间变化的介质密度

${\tilde{a}}_{F_i}=\frac{{\hat{a}}_{F_i}}{{\sum }_j{\hat{a}}_{F_j}}{\hat{a}}_{F_i}=1-exp(({\hat{\sigma }}_{p_i}+{\hat{\sigma }}_{c_i}){\delta }_i)$

熵最大化依赖于场景体积密度 ${\hat{\sigma }}_c$ 来解开这两种分布，而不仅仅是在整个场景中分布雾体积密度 ${\hat{\sigma }}_F$。只对 ${\sigma }_p$，而不是${\sigma }_c$，最小化这个损失

深度损失

通过立体传感器设置估计的深度$\bar{D}$来监督场景深度


立体深度网络在大雾条件下具有鲁棒性，它们适合于直接监督场景NeRF

总损失

采样

由于 ${\sigma }_F$在整个场景中被正则化为近似常数，重新采样过程不会使用场景权重 $W_F$ 而是使用去雾后场景权重 $W_c$

实验

使用NVIDIA RTX A6000 迭代250000次，批次大小为4096，使用Adamw优化器 ${\beta }_1=0.9,{\beta }_2=0.999$，学习率为 $5\cdot 10^{-4}$