最近，網(wǎng)上一段來自谷歌的AI夜景拍攝視頻被刷爆了！

視頻中的這個技術叫RawNeRF，顧名思義就是NeRF的一個全新變體。

NeRF是一種全連接神經(jīng)網(wǎng)絡，使用2D圖像的信息作為訓練數(shù)據(jù)，還原出3D場景。

RawNeRF比起之前的NeRF，有了多處改進。不僅能完美降噪，還能改變相機視角，調(diào)整焦點、曝光和色調(diào)映射。谷歌的這篇論文于2021年11月發(fā)表，并被CVPR 2022收錄。

項目地址：https://bmild.github.io/rawnerf/

黑夜中的RawNeRF

在此之前，NeRF是使用色調(diào)映射的低動態(tài)范圍LDR圖像作為輸入。

而谷歌的RawNeRF改為直接在線性原始圖像上進行訓練，可以保留場景的完整動態(tài)范圍。

在合成視圖領域，處理黑暗的照片一直是一個難題。

因為在這種情況下，圖像中的細節(jié)極少。而且這些圖像讓我們很難把新視圖拼接到一起。

還好，我們有一個新的方案——使用原始傳感器（RAW sensor data）的數(shù)據(jù)。

就是像這樣的一張圖，這樣，我們就有了更多的細節(jié)。

不過，仍然存在一個問題：噪點也多了。

所以我們必須做個選擇：是更少的細節(jié)和更少的噪點，還是選擇更多的細節(jié)和更多的噪點。

好消息是：我們可以使用圖像降噪技術。

可以看到，降噪之后的圖像效果不錯，但要合成視圖，這種質量還是不夠。

不過圖像降噪技術給我們提供了一個思路：既然可以給單個圖像去噪，那也可以給一組圖像去噪。

讓我們來看看RawNeRF的效果。

而且，它還有更多令人驚喜的功能：對基礎數(shù)據(jù)進行色調(diào)映射，從深色圖像中提取更多細節(jié)。

比如改變圖像的焦點，營造出很棒的景深效果。

更厲害的是，這個還是實時的。

此外，圖像的曝光也會隨著焦點的變化而產(chǎn)生相應的變化！

接下來，就讓我們看看RawNeRF的五個經(jīng)典的應用場景吧。

五大經(jīng)典場景

1. 圖像清晰度

看這張圖像，你能看到路牌上的信息嗎？

可以看到，經(jīng)過RawNeRF處理后，路牌上的信息就清晰多了。

在下面這個動圖里，我們可以清晰地看到原始的NeRF技術和RawNeRF在圖像合成上的區(qū)別。

其實，所謂的NeRF也并不是多古老的技術，時間才剛剛過了2年而已……

看得出來，RawNeRF在高光的處理上，表現(xiàn)得還是非常出色的，我們甚至能看到右下角車牌周圍的高光變化。

2. 鏡面高光

鏡面高光屬于非常難捕捉的對象，因為在移動相機時，它們會發(fā)生很大的變化，而且照片之間的相對距離也比較遠。這些因素對于學習算法來說，都是巨大的挑戰(zhàn)。
在下面這張圖中可以看到，RawNeRF所生成的鏡面高光可以說是相當還原了。

3. 薄的結構

即使在光線充足的情景中，以前的技術對于柵欄的顯示效果也并不好。

而RawNeRF即使處理有一堆柵欄的夜間照片，也妥妥hold得住。

即使在柵欄與車牌重合的地方，效果依然很好。

4. 鏡面反光

路面上的反光，是一種更有挑戰(zhàn)性的鏡面高光。可以看到，RawNeRF也處理得非常自然，非常真實。

5. 改變焦點，調(diào)整曝光

在這個場景中，讓我們試試改變視角，不斷變換焦點，同時調(diào)整曝光。

在以前，要完成這些工作，我們需要從25到200張照片的集合。

而現(xiàn)在，我們只需要幾秒鐘，就可以完成拍攝了。

當然，RawNeRF現(xiàn)在并不完美，我們可以看到，左邊的RawNeRF圖像和右邊的真實照片，還是有一些差異。

不過，從一組充滿噪點的原始圖像達到現(xiàn)在這樣的效果，RAWnerf已經(jīng)取得相當大的進步了。要知道，兩年前的技術還完全做不到這樣。

RAW的好處

簡單回顧一下，NeRF訓練管線所接收的是經(jīng)過相機處理的LDR圖像，之后的場景重建和視圖渲染，基于的都是LDR色彩空間。因此，NeRF的輸出實際上已經(jīng)是經(jīng)過了后期處理的，想要大幅修改和編輯是不可能了。

相比而言，RawNeRF是直接在線性原始HDR輸入數(shù)據(jù)上訓練的。由此產(chǎn)生的渲染結果可以像任何原始照片一樣進行編輯，如改變焦點和曝光等等。

由此帶來的好處主要有兩點：HDR視圖合成和降噪處理。

在亮度變化極大的場景中，固定的快門速度不足以捕捉到全部動態(tài)范圍。RawNeRF模型則可以同時對短曝光和長曝光進行優(yōu)化處理，從而恢復完整的動態(tài)范圍。

例如（b）中的這種大光比場景，就需要更復雜的局部色調(diào)映射算法（例如HDR+后期處理），才能同時保留暗部的細節(jié)和室外的高光。

此外，RawNeRF還可以使用線性顏色渲染具有正確飽和的「虛化」亮點的合成失焦效果。

在圖像噪點的處理上，作者進一步地將RawNeRF在完全未經(jīng)處理的HDR線性原始圖像上進行了訓練，使其變成了一個能處理幾十甚至幾百張輸入圖像的「降噪器」。

這種魯棒性也就意味著，RawNeRF可以出色地完成在黑暗中重建場景的任務。

例如在（a）這個只有一根蠟燭照明的夜景中，RawNeRF可以從嘈雜的原始數(shù)據(jù)中提取出本來會被后期處理破壞的細節(jié)（b，c）。

作者介紹

論文的第一作者Ben Mildenhall是谷歌研究院的一名研究科學家，從事計算機視覺和圖形方面的問題。

他在2015年于斯坦福大學取得計算機科學和數(shù)學學士學位，并在2020年于加州大學伯克利分校取得計算機科學博士學位。

剛剛結束的CVPR 2022，可以說是Ben的高光時刻了。

7篇錄用論文中有5篇拿下Oral，并且還有一篇獲得了最佳學生論文的榮譽提名。

網(wǎng)友評論

視頻一出，立馬驚艷了眾網(wǎng)友。大家一起腦洞大開。

看這技術進步的速度，要不了多久，夜間拍照再也不用愁了~