NeRF是什么？基于NeRF的三維重建是基于體素嗎？
本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。
1介紹
神經輻射場（NeRF）是深度學習和計算機視覺領域的一個相當新的范式。ECCV 2020論文《NeRF：將場景表示為視圖合成的神經輻射場》(該論文獲得了最佳論文獎)中介紹了這項技術，該技術自此大受歡迎，迄今已獲得近800次引用[1]。該方法標志著機器學習處理3D數據的傳統方式發生了巨大變化。
神經輻射場場景表示和可微分渲染過程：
通過沿著相機射線采樣5D坐標（位置和觀看方向）來合成圖像； 將這些位置輸入MLP以產生顏色和體積密度； 并使用體積渲染技術將這些值合成圖像； 該渲染函數是可微分的，因此可以通過最小化合成圖像和真實觀測圖像之間的殘差來優化場景表示。
2 What is a NeRF?
NeRF是一種生成模型，以圖像和精確姿勢為條件，生成給定圖像的3D場景的新視圖，這一過程通常被稱為“新視圖合成”。不僅如此，它還將場景的3D形狀和外觀明確定義為連續函數，可以通過marching cubes生成3D網格。盡管它們直接從圖像數據中學習，但它們既不使用convolutional層，也不使用transformer層。
多年來，機器學習應用中表示3D數據的方法很多，從3D體素到點云，再到符號距離(signed distance )函數。他們最大的共同缺點是需要預先假設一個3D模型，要么使用攝影測量或激光雷達等工具來生成3D數據，要么手工制作3D模型。然而，許多類型的物體，如高反射物體、“網格狀”物體或透明物體，都無法按比例掃描。3D重建方法通常也具有重建誤差，這可能導致影響模型精度的階梯效應或漂移。
相比之下，NeRF基于射線光場的概念。光場是描述光傳輸如何在整個3D體積中發生的函數。它描述了光線在空間中的每個x=(x，y，z）坐標和每個方向d上移動的方向，描述為θ和ξ角或單位向量。它們共同形成了描述3D場景中的光傳輸的5D特征空間。受此表示的啟發，NeRF試圖近似一個函數，該函數從該空間映射到由顏色c=(R，G，B)和濃度(density)σ組成的4D空間，可以將其視為該5D坐標空間處的光線終止的可能性(例如通過遮擋)。因此，標準NeRF是形式F:（x，d）->（c，σ）的函數。
原始的NeRF論文使用多層感知器將該函數參數化，該感知器基于一組姿勢已知的圖像上訓練得到。這是一類稱為generalized scene reconstruction的技術中的一種方法，旨在直接從圖像集合中描述3D場景。這種方法具備一些非常好的特性：
- 直接從數據中學習
- 場景的連續表示允許非常薄和復雜的結構，例如樹葉或網格
- 隱含物理特性，如鏡面性和粗糙度
- 隱式呈現場景中的照明
此后，一系列的改進論文隨之涌現，例如，少鏡頭和單鏡頭學習[2，3]、對動態場景的支持[4，5]、將光場推廣到特征場[6]、從網絡上的未校準圖像集合中學習[7]、結合激光雷達數據[8]、大規模場景表示[9]、在沒有神經網絡的情況下學習[10]，諸如此類。
3 NeRF Architecture
總體而言，給定一個經過訓練的NeRF模型和一個具有已知姿勢和圖像維度的相機，我們通過以下過程構建場景：
- 對于每個像素，從相機光心射出光線穿過場景，以在(x，d)位置收集一組樣本
- 使用每個樣本的點和視線方向(x，d)作為輸入，以產生輸出(c，σ)值(rgbσ)
- 使用經典的體積渲染技術構建圖像
光射場(很多文獻翻譯為"輻射場"，但譯者認為"光射場"更直觀)函數只是幾個組件中的一個，一旦組合起來，就可以創建之前看到的視頻中的視覺效果。總體而言，本文包括以下幾個部分：
- 位置編碼(Positional encoding)
- 光射場函數近似器(MLP）
- 可微分體渲染器(Differentiable volume renderer)
- 分層(Stratified)取樣 層次(Hierarchical)體積采樣
為了最大限度地清晰講述，本文將每個組件的關鍵元素以盡可能簡潔的代碼展示。參考了bmild的原始實現和yenchenlin和krrish94的PyTorch實現。
3.1 Positional Encoder
就像2017年推出的transformer模型[11]一樣，NeRF也受益于位置編碼器作為其輸入。它使用高頻函數將其連續輸入映射到更高維的空間，以幫助模型學習數據中的高頻變化，從而產生更清晰的模型。這種方法避開(circumvent)了神經網絡對低頻函數偏置(bias)，使NeRF能夠表示更清晰的細節。作者參考了ICML 2019上的一篇論文[12]。
如果熟悉transformerd的位置編碼，NeRF的相關實現是很標準的，它具有相同的交替正弦和余弦表達式。位置編碼器實現:
# py
class PositionalEncoder(nn.Module):
# sine-cosine positional encoder for input points.
def __init__( self,
d_input: int,
n_freqs: int,
log_space: bool = False ):
super().__init__()
self.d_input = d_input
self.n_freqs = n_freqs # 是不是視線上的采樣頻率？
self.log_space = log_space
self.d_output = d_input * (1 + 2 * self.n_freqs)
self.embed_fns = [lambda x: x] # 冒號前面的x表示函數參數，后面的表示匿名函數運算
# Define frequencies in either linear or log scale
if self.log_space:
freq_bands = 2.**torch.linspace(0., self.n_freqs - 1, self.n_freqs)
else:
freq_bands = torch.linspace(2.**0., 2.**(self.n_freqs - 1), self.n_freqs)
# Alternate sin and cos
for freq in freq_bands:
self.embed_fns.append(lambda x, freq=freq: torch.sin(x * freq))
self.embed_fns.append(lambda x, freq=freq: torch.cos(x * freq))
def forward(self, x) -> torch.Tensor:
# Apply positional encoding to input.
return torch.concat([fn(x) for fn in self.embed_fns], dim=-1)思考：這個位置編碼，是對輸入點(input points)進行編碼，這個輸入點是視線上的采樣點？還是不同的視角位置點？ self.n_freqs是不是視線上的采樣頻率？由此理解，應該就是視線上的采樣位置，因為如果不對視線上的采樣位置進行編碼，就無法有效表示這些位置，也就無法對它們的RGBA進行訓練。
3.2 Radiance Field Function
在原文中，光射場函數由NeRF模型表示，NeRF模型是一種典型的多層感知器，以編碼的3D點和視角方向作為輸入，并返回RGBA值作為輸出。雖然本文使用的是神經網絡，但這里可以使用任何函數逼近器(function approximator)。例如，Yu等人的后續論文Plenoxels使用球面諧波(spherical harmonics)實現了數量級的更快訓練，同時獲得有競爭力的結果[10]。
圖片
NeRF模型有8層深，大多數層的特征維度為256。剩余的連接被放置在層4處。在這些層之后，產生RGB和σ值。RGB值用線性層進一步處理，然后與視線方向連接，然后通過另一個線性層，最后在輸出處與σ重新組合。NeRF模型的PyTorch模塊實現：
class NeRF(nn.Module):
# Neural radiance fields module.
def __init__( self,
d_input: int = 3,
n_layers: int = 8,
d_filter: int = 256,
skip: Tuple[int] = (4,), # (4,)只有一個元素4的元組
d_viewdirs: Optional[int] = None):
super().__init__()
self.d_input = d_input # 這里是3D XYZ,？
self.skip = skip # 是要跳過什么？為啥要跳過？被遮擋？
self.act = nn.functional.relu
self.d_viewdirs = d_viewdirs # d_viewdirs 是2D方向？
# Create model layers
# [if_true 就執行的指令] if [if_true條件] else [if_false]
# 是否skip的區別是，訓練輸入維度是否多3維，
# if i in skip = if i in (4,),似乎是判斷i是否等于4
# self.d_input=3 ：如果層id=4,網絡輸入要加3維，這是為什么？第4層有何特殊的？
self.layers = nn.ModuleList(
[nn.Linear(self.d_input, d_filter)] +
[nn.Linear(d_filter + self.d_input, d_filter) if i in skip else \
nn.Linear(d_filter , d_filter) for i in range(n_layers - 1)]
)
# Bottleneck layers
if self.d_viewdirs is not None:
# If using viewdirs, split alpha and RGB
self.alpha_out = nn.Linear(d_filter, 1)
self.rgb_filters = nn.Linear(d_filter, d_filter)
self.branch = nn.Linear(d_filter + self.d_viewdirs, d_filter // 2)
self.output = nn.Linear(d_filter // 2, 3) # 為啥要取一半？
else:
# If no viewdirs, use simpler output
self.output = nn.Linear(d_filter, 4) # d_filter=256，輸出是4維RGBA
def forward(self,
x: torch.Tensor, # ？
viewdirs: Optional[torch.Tensor] = None) -> torch.Tensor:
# Forward pass with optional view direction.
if self.d_viewdirs is None and viewdirs is not None:
raise ValueError('Cannot input x_direction')
# Apply forward pass up to bottleneck
x_input = x # 這里的x是幾維？從下面的分離RGB和A看，應該是4D
# 下面通過8層MLP訓練RGBA
for i, layer in enumerate(self.layers): # 8層，每一層進行運算
x = self.act(layer(x))
if i in self.skip:
x = torch.cat([x, x_input], dim=-1)
# Apply bottleneck bottleneck 瓶頸是啥？是不是最費算力的模塊？
if self.d_viewdirs is not None:
# 從網絡輸出分離A,RGB還需要經過更多訓練
alpha = self.alpha_out(x)
# Pass through bottleneck to get RGB
x = self.rgb_filters(x)
x = torch.concat([x, viewdirs], dim=-1)
x = self.act(self.branch(x)) # self.branch shape: (d_filter // 2)
x = self.output(x) # self.output shape: (3)
# Concatenate alphas to output
x = torch.concat([x, alpha], dim=-1)
else:
# Simple output
x = self.output(x)
return x思考：這個NERF類的輸入輸出是什么？通過這個類發生了啥？從__init__函數參數看出，主要是對神經網絡的輸入、層次和維度等進行設置，輸入了5D數據，也就是視點位置和視線方向，輸出的是RGBA。問題，這個輸出的RGBA是一個點的？還是視線上一串的？如果是一串的，沒有看到位置編碼如何確定每個采樣點的RGBA?
也沒看到采樣間隔之類的說明；如果是一個點，那這個RGBA是視線上哪個點的？是不是眼睛看到的視線采樣點集合成后的點RGBA？從NERF類代碼可以看出，主要是根據視點位置和視線方向進行了多層前饋訓練，輸入5D的視點位置和視線方向，輸出4D的RGBA。
3.3 可微分體渲染器(Differentiable Volume Renderer)
RGBA輸出點位于3D空間中，因此要將它們合成圖像，需要應用論文第4節中方程1-3中描述的體積積分。本質上，沿著每個像素的視線對所有樣本進行加權求和，以獲得該像素的估計顏色值。每個RGB采樣都按其透明度alpha值進行加權：α值越高，表示采樣區域不透明的可能性越高，因此沿射線更遠的點更有可能被遮擋。累積乘積運算確保了這些進一步的點被抑制。
原始NeRF模型輸出的體繪制：
def raw2outputs(raw: torch.Tensor,
z_vals: torch.Tensor,
rays_d: torch.Tensor,
raw_noise_std: float = 0.0,
white_bkgd: bool = False)
-> Tuple[torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor]:
# 將原始的NeRF輸出轉為RGB和其他映射
# Difference between consecutive elements of `z_vals`. [n_rays, n_samples]
dists = z_vals[..., 1:] - z_vals[..., :-1]# ？這里減法的意義是啥？
dists = torch.cat([dists, 1e10 * torch.ones_like(dists[..., :1])], dim=-1)
# 將每個距離乘以其對應方向光線的范數，以轉換為真實世界的距離（考慮非單位方向）
dists = dists * torch.norm(rays_d[..., None, :], dim=-1)
# 將噪聲添加到模型對密度的預測中，用于在訓練期間規范網絡(防止漂浮物偽影)
noise = 0.
if raw_noise_std > 0.:
noise = torch.randn(raw[..., 3].shape) * raw_noise_std
# Predict density of each sample along each ray. Higher values imply
# higher likelihood of being absorbed at this point. [n_rays, n_samples]
alpha = 1.0 - torch.exp(-nn.functional.relu(raw[..., 3] + noise) * dists)
# Compute weight for RGB of each sample along each ray. [n_rays, n_samples]
# The higher the alpha, the lower subsequent weights are driven.
weights = alpha * cumprod_exclusive(1. - alpha + 1e-10)
# Compute weighted RGB map.
rgb = torch.sigmoid(raw[..., :3]) # [n_rays, n_samples, 3]
rgb_map = torch.sum(weights[..., None] * rgb, dim=-2) # [n_rays, 3]
# Estimated depth map is predicted distance.
depth_map = torch.sum(weights * z_vals, dim=-1)
# Disparity map is inverse depth.
disp_map = 1. / torch.max(1e-10 * torch.ones_like(depth_map),
depth_map / torch.sum(weights, -1))
# Sum of weights along each ray. In [0, 1] up to numerical error.
acc_map = torch.sum(weights, dim=-1)
# To composite onto a white background, use the accumulated alpha map.
if white_bkgd:
rgb_map = rgb_map + (1. - acc_map[..., None])
return rgb_map, depth_map, acc_map, weights
def cumprod_exclusive(tensor: torch.Tensor) -> torch.Tensor:
# (Courtesy of https://github.com/krrish94/nerf-pytorch)
# Compute regular cumprod first.
cumprod = torch.cumprod(tensor, -1)
# "Roll" the elements along dimension 'dim' by 1 element.
cumprod = torch.roll(cumprod, 1, -1)
# Replace the first element by "1" as this is what tf.cumprod(..., exclusive=True) does.
cumprod[..., 0] = 1.
return cumprod問題：這里的主要功能是啥？輸入了什么？輸出了什么？
3.4 Stratified Sampling
相機最終拾取到的RGB值是沿著穿過該像素視線的光樣本的累積，經典的體積渲染方法是沿著該視線累積點，然后對點進行積分，在每個點估計光線在不撞擊任何粒子的情況下射行的概率。因此，每個像素都需要沿著穿過它的光線對點進行采樣。為了最好地近似積分，他們的分層采樣方法是將空間均勻地劃分為N個倉(bins)，并從每個倉中均勻地抽取一個樣本。stratified sampling方法不是簡單地以相等的間隔繪制樣本，而是允許模型在連續空間中采樣，從而調節網絡在連續空間上學習。
圖片
分層采樣PyTorch中實現：
def sample_stratified(rays_o: torch.Tensor,
rays_d: torch.Tensor,
near: float,
far: float,
n_samples: int,
perturb: Optional[bool] = True,
inverse_depth: bool = False)
-> Tuple[torch.Tensor, torch.Tensor]:
# Sample along ray from regularly-spaced bins.
# Grab samples for space integration along ray
t_vals = torch.linspace(0., 1., n_samples, device=rays_o.device)
if not inverse_depth:
# Sample linearly between `near` and `far`
z_vals = near * (1.-t_vals) + far * (t_vals)
else:
# Sample linearly in inverse depth (disparity)
z_vals = 1./(1./near * (1.-t_vals) + 1./far * (t_vals))
# Draw uniform samples from bins along ray
if perturb:
mids = .5 * (z_vals[1:] + z_vals[:-1])
upper = torch.concat([mids, z_vals[-1:]], dim=-1)
lower = torch.concat([z_vals[:1], mids], dim=-1)
t_rand = torch.rand([n_samples], device=z_vals.device)
z_vals = lower + (upper - lower) * t_rand
z_vals = z_vals.expand(list(rays_o.shape[:-1]) + [n_samples])
# Apply scale from `rays_d` and offset from `rays_o` to samples
# pts: (width, height, n_samples, 3)
pts = rays_o[..., None, :] + rays_d[..., None, :] * z_vals[..., :, None]
return pts, z_vals3.5 層次體積采樣(Hierarchical Volume Sampling)
輻射場由兩個多層感知器表示：一個是在粗略級別上操作，對場景的廣泛結構屬性進行編碼；另一個是在精細的層面上細化細節，從而實現網格和分支等薄而復雜的結構。此外，他們接收的樣本是不同的，粗模型在整個射線中處理寬的、大多是規則間隔的樣本，而精細模型在具有強先驗的區域中珩磨(honing in)以獲得顯著信息。
這種“珩磨”過程是通過層次體積采樣流程完成的。3D空間實際上非常稀疏，存在遮擋，因此大多數點對渲染圖像的貢獻不大。因此，對具有對積分貢獻可能性高的區域進行過采樣(oversample)更有好處。他們將學習到的歸一化權重應用于第一組樣本，以在光線上創建PDF，然后再將inverse transform sampling應用于該PDF以收集第二組樣本。該集合與第一集合相結合，并被饋送到精細網絡以產生最終輸出。
分層采樣PyTorch實現：
def sample_hierarchical(rays_o: torch.Tensor,
rays_d: torch.Tensor,
z_vals: torch.Tensor,
weights: torch.Tensor,
n_samples: int,
perturb: bool = False)
-> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]:
# Apply hierarchical sampling to the rays.
# Draw samples from PDF using z_vals as bins and weights as probabilities.
z_vals_mid = .5 * (z_vals[..., 1:] + z_vals[..., :-1])
new_z_samples = sample_pdf(z_vals_mid, weights[..., 1:-1], n_samples, perturb=perturb)
new_z_samples = new_z_samples.detach()
# Resample points from ray based on PDF.
z_vals_combined, _ = torch.sort(torch.cat([z_vals, new_z_samples], dim=-1), dim=-1)
# [N_rays, N_samples + n_samples, 3]
pts = rays_o[..., None, :] + rays_d[..., None, :] * z_vals_combined[..., :, None]
return pts, z_vals_combined, new_z_samples
def sample_pdf(bins: torch.Tensor,
weights: torch.Tensor,
n_samples: int,
perturb: bool = False) -> torch.Tensor:
# Apply inverse transform sampling to a weighted set of points.
# Normalize weights to get PDF.
# [n_rays, weights.shape[-1]]
pdf = (weights + 1e-5) / torch.sum(weights + 1e-5, -1, keepdims=True)
# Convert PDF to CDF.
cdf = torch.cumsum(pdf, dim=-1) # [n_rays, weights.shape[-1]]
# [n_rays, weights.shape[-1] + 1]
cdf = torch.concat([torch.zeros_like(cdf[..., :1]), cdf], dim=-1)
# Take sample positions to grab from CDF. Linear when perturb == 0.
if not perturb:
u = torch.linspace(0., 1., n_samples, device=cdf.device)
u = u.expand(list(cdf.shape[:-1]) + [n_samples]) # [n_rays, n_samples]
else:
# [n_rays, n_samples]
u = torch.rand(list(cdf.shape[:-1]) + [n_samples], device=cdf.device)
# Find indices along CDF where values in u would be placed.
u = u.contiguous() # Returns contiguous tensor with same values.
inds = torch.searchsorted(cdf, u, right=True) # [n_rays, n_samples]
# Clamp indices that are out of bounds.
below = torch.clamp(inds - 1, min=0)
above = torch.clamp(inds, max=cdf.shape[-1] - 1)
inds_g = torch.stack([below, above], dim=-1) # [n_rays, n_samples, 2]
# Sample from cdf and the corresponding bin centers.
matched_shape = list(inds_g.shape[:-1]) + [cdf.shape[-1]]
cdf_g = torch.gather(cdf.unsqueeze(-2).expand(matched_shape), dim=-1,index=inds_g)
bins_g = torch.gather(bins.unsqueeze(-2).expand(matched_shape), dim=-1, index=inds_g)
# Convert samples to ray length.
denom = (cdf_g[..., 1] - cdf_g[..., 0])
denom = torch.where(denom < 1e-5, torch.ones_like(denom), denom)
t = (u - cdf_g[..., 0]) / denom
samples = bins_g[..., 0] + t * (bins_g[..., 1] - bins_g[..., 0])
return samples # [n_rays, n_samples]4 Training
論文中訓練NeRF推薦的每網絡8層、每層256維的架構在訓練過程中會消耗大量內存。緩解這種情況的方法是將前傳(forward pass)分成更小的部分，然后在這些部分上積累梯度。注意與minibatching的區別：梯度是在采樣光線的單個小批次上累積的，這些光線可能已經被收集成塊。如果沒有論文中使用的NVIDIA V100類似性能的GPU，可能必須相應地調整塊大小以避免OOM錯誤。Colab筆記本采用了更小的架構和更適中的分塊尺寸。
我個人發現，由于局部極小值，即使選擇了許多默認值，NeRF的訓練也有些棘手。一些有幫助的技術包括早期訓練迭代和早期重新啟動期間的中心裁剪(center cropping)。隨意嘗試不同的超參數和技術，以進一步提高訓練收斂性。
初始化
def init_models():
# Initialize models, encoders, and optimizer for NeRF training.
encoder = PositionalEncoder(d_input, n_freqs, log_space=log_space)
encode = lambda x: encoder(x)
# View direction encoders
if use_viewdirs:
encoder_viewdirs = PositionalEncoder(d_input, n_freqs_views,log_space=log_space)
encode_viewdirs = lambda x: encoder_viewdirs(x)
d_viewdirs = encoder_viewdirs.d_output
else:
encode_viewdirs = None
d_viewdirs = None
model = NeRF(encoder.d_output,
n_layers=n_layers,
d_filter=d_filter, skip=skip,d_viewdirs=d_viewdirs)
model.to(device)
model_params = list(model.parameters())
if use_fine_model:
fine_model = NeRF(encoder.d_output,
n_layers=n_layers,
d_filter=d_filter, skip=skip,d_viewdirs=d_viewdirs)
fine_model.to(device)
model_params = model_params + list(fine_model.parameters())
else:
fine_model = None
optimizer = torch.optim.Adam(model_params, lr=lr)
warmup_stopper = EarlyStopping(patience=50)
return model, fine_model, encode, encode_viewdirs, optimizer, warmup_stopper訓練
def train():
# Launch training session for NeRF.
# Shuffle rays across all images.
if not one_image_per_step:
height, width = images.shape[1:3]
all_rays = torch.stack([torch.stack(get_rays(height, width, focal, p), 0)
for p in poses[:n_training]], 0)
rays_rgb = torch.cat([all_rays, images[:, None]], 1)
rays_rgb = torch.permute(rays_rgb, [0, 2, 3, 1, 4])
rays_rgb = rays_rgb.reshape([-1, 3, 3])
rays_rgb = rays_rgb.type(torch.float32)
rays_rgb = rays_rgb[torch.randperm(rays_rgb.shape[0])]
i_batch = 0
train_psnrs = []
val_psnrs = []
iternums = []
for i in trange(n_iters):
model.train()
if one_image_per_step:
# Randomly pick an image as the target.
target_img_idx = np.random.randint(images.shape[0])
target_img = images[target_img_idx].to(device)
if center_crop and i < center_crop_iters:
target_img = crop_center(target_img)
height, width = target_img.shape[:2]
target_pose = poses[target_img_idx].to(device)
rays_o, rays_d = get_rays(height, width, focal, target_pose)
rays_o = rays_o.reshape([-1, 3])
rays_d = rays_d.reshape([-1, 3])
else:
# Random over all images.
batch = rays_rgb[i_batch:i_batch + batch_size]
batch = torch.transpose(batch, 0, 1)
rays_o, rays_d, target_img = batch
height, width = target_img.shape[:2]
i_batch += batch_size
# Shuffle after one epoch
if i_batch >= rays_rgb.shape[0]:
rays_rgb = rays_rgb[torch.randperm(rays_rgb.shape[0])]
i_batch = 0
target_img = target_img.reshape([-1, 3])
# Run one iteration of TinyNeRF and get the rendered RGB image.
outputs = nerf_forward(rays_o, rays_d,
near, far, encode, model,
kwargs_sample_stratified=kwargs_sample_stratified,
n_samples_hierarchical=n_samples_hierarchical,
kwargs_sample_hierarchical=kwargs_sample_hierarchical,
fine_model=fine_model,
viewdirs_encoding_fn=encode_viewdirs,
chunksize=chunksize)
# Backprop!
rgb_predicted = outputs['rgb_map']
loss = torch.nn.functional.mse_loss(rgb_predicted, target_img)
loss.backward()
optimizer.step()
optimizer.zero_grad()
psnr = -10. * torch.log10(loss)
train_psnrs.append(psnr.item())
# Evaluate testimg at given display rate.
if i % display_rate == 0:
model.eval()
height, width = testimg.shape[:2]
rays_o, rays_d = get_rays(height, width, focal, testpose)
rays_o = rays_o.reshape([-1, 3])
rays_d = rays_d.reshape([-1, 3])
outputs = nerf_forward(rays_o, rays_d,
near, far, encode, model,
kwargs_sample_stratified=kwargs_sample_stratified,
n_samples_hierarchical=n_samples_hierarchical,
kwargs_sample_hierarchical=kwargs_sample_hierarchical,
fine_model=fine_model,
viewdirs_encoding_fn=encode_viewdirs,
chunksize=chunksize)
rgb_predicted = outputs['rgb_map']
loss = torch.nn.functional.mse_loss(rgb_predicted, testimg.reshape(-1, 3))
val_psnr = -10. * torch.log10(loss)
val_psnrs.append(val_psnr.item())
iternums.append(i)
# Check PSNR for issues and stop if any are found.
if i == warmup_iters - 1:
if val_psnr < warmup_min_fitness:
return False, train_psnrs, val_psnrs
elif i < warmup_iters:
if warmup_stopper is not None and warmup_stopper(i, psnr):
return False, train_psnrs, val_psnrs
return True, train_psnrs, val_psnrs訓練
# Run training session(s)
for _ in range(n_restarts):
model, fine_model, encode, encode_viewdirs, optimizer, warmup_stopper = init_models()
success, train_psnrs, val_psnrs = train()
if success and val_psnrs[-1] >= warmup_min_fitness:
print('Training successful!')
break
print(f'Done!')5 Conclusion
輻射場標志著處理3D數據的方式發生了巨大變化。NeRF模型和更廣泛的可微分渲染正在迅速彌合圖像創建和體積場景創建之間的差距。雖然我們的組件可能看起來非常復雜，但受vanilla NeRF啟發的無數其他方法證明，基本概念(連續函數逼近器+可微分渲染器)是構建各種解決方案的堅實基礎，這些解決方案可用于幾乎無限的情況。
原文：NeRF From Nothing: A Tutorial with PyTorch | Towards Data Science
原文鏈接：https://mp.weixin.qq.com/s/zxJAIpAmLgsIuTsPqQqOVg
