NeRF是一篇发表在ECCV 2020的一篇文章，并获得了当年Best Paper称号。该技术一经提出就惊艳了众人，NeRF目前也是计算机视觉领域一个非常有趣并且火热开展的研究方向。博主本人后续的研究方向也将围绕NeRF进行，欢迎各位对神经辐射场感兴趣的大佬一起交流学习！
Paper: NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
Code: https://github.com/bmild/nerf
什么是NeRF？
NeRF全称是Neural Radiance Fields（神经辐射场），他使用神经辐射场作为场景表征对新视图进行合成。NeRF作为一个使用神经网络的项目，采用了比较简单的多层感知机（MLP）作为网络部分，因此它是一种可微的渲染方法，可微渲染简单的理解就是在其使用的技术中，其运算部分可以微分可以求导。
NeRF受到很大关注的原因是它渲染出了很好的效果和精细的细节。NeRF主要使用了体渲染技术，体渲染是对光线进行追踪，并对光线进行积分或者累计来生成图像的方法。NeRF使用MLP将光线上的点位编码成颜色和密度值，将表现的场景存储在MLP的权值中，输入是很多已知相机位姿的图片，将其进行训练得到场景表征，之后可以渲染出在之前从未出现过的视角的图片。
核心内容：
- 体渲染（Volume Rendering）
- MLP
- Positional Encoding
- Hierarchical Sampling
NeRF原理
NeRF的输入为一组5维数据：三维坐标 和二维视角方向
。
辐射场-体渲染
光线公式：
其中 o 是光线起始位置，t 是光线经过的距离，d 是光线的方向。根据光线公式可以求出二维视角方向。
光线的颜色值公式：
C(r)是一条光线所呈现的颜色，这个公式就是体渲染中的光学模型。Sigma是体积密度（消光系数），c 是 r 上 t 位置对 d 方向的光强，T 是从 tn 到 t 累积的透明度。
关于此处的公式推导可以参考另一位大佬的blog：NeRF中的数学公式推导
Positional Encoding
论文中提到两种优化神经辐射场的方法，第一种是高频位置编码。如果将五维数据直接输入到神经网络中，会导致渲染图在颜色和几何的高频区域表示不佳，因为神经网络的特性就是倾向于学习低频函数，网络中如果缺少高频信息，这个现象会更加明显。作者将五维数据都映射到含有高频信号的向量。
这个方法类似于傅里叶变换，文章中作者通过实验得出：空间坐标的三项 L=10， 方向的两项 L=4。这样一来空间坐标的输入变为 3*2*10=60 个输入量，方向的输入变为 3*2*4= 24 个输入量（此处θ和φ映射到一个三维空间向量所以是三维输入）。
使用位置编码和不使用位置编码的区别：
Hierarchical Sampling
另一个优化神经辐射场的方法是分层采样，对一条光线平均采样64个点的话可能有很多点是没有达到目标（处于空气之中），并且可能对含有物体的区域欠采样，如果单纯线性增加采样点，并没有在根本上解决问题。
分层采样使用两层MLP，计算两个批次的采样点，第二个批次的采样点采样依据来自于第一网络输出结果。第一个网络称为粗网络（coarse），第二个网络称为精细网络（Fine）。
分层采样：将 [tn,tf] 分成 N 个均匀间隔
光线颜色估计值：
权重可以看成沿着射线的分段常数概率密度函数(Piecewise-constant PDF)。
Network
NeRF的网络由8层MLP组成，输入为（x,y,z,θ,φ），输出为RGB和体积密度σ。
Loss
NeRF的损失函数就是一个均方误差：
NeRF的劣势
- 它的训练和推理速度都很慢，我使用一张2080ti需要训练8.5h，推理速度大概1s一帧；
- 只能处理静态场景；
- 对光照的处理并不理想；
- 训练的模型都仅能代表一个场景， 没有泛化能力。
总结
抛开NeRF的缺点，它的效果还是非常炫酷的，而且随着研究的深入已经诞生了许许多多优化版本的NeRF，NeRF和SLAM、自动驾驶等方向的融合还是一个非常有意思的研究方向。
博主后续还会继续发布复现NeRF的blog，欢迎感兴趣的朋友们多多关注、讨论和学习！