谷歌全新3D技术mip-NeRF 360，可合成完整场景和模型

首页发布

Esther｜编辑

在渲染、捕捉高清3D场景时，开发者通常采用建模，或用专业3D捕捉等方式，整个流程工作量大、耗时久。NVIDIA科研人员曾指出，近年来图像渲染速度越来越快，渲染模型的训练速度也在加快，已经看到越来越多人利用AI来替代传统计算机图形方案。

因此为了快速获得大量3D场景，谷歌等公司开始探索用NeRF（神经辐射场）模型来合成的方案。比如，谷歌此前已经用NeRF模型将2D图像合成具有立体感的视频，或是根据文本来生成可360°查看的3D虚拟物体。

不过，现有的NeRF算法合成3D图像的视角和深度有限，很难渲染出没有边界的大规模场景，也无法从任意角度查看。换句话说，利用NeRF模型合成的3D场景看起来像是用摄像头对着一个方向移动拍摄的效果。

为了进一步扩大3D场景和模型合成的规模，谷歌科研人员近期训练了一个新的AI模型：mip-NeRF 360。该模型在NeRF基础上可渲染出完整的3D物体和场景，支持从任意视角观看，相当于渲染出完整的3D虚拟空间。而这项技术，将有望加速VR内容开发、仿真培训等场景。

那么，为什么谷歌要开发mip-NeRF 360？它传统的NeRF技术有哪些不同？

传统NeRF模型的延伸

据了解，NeRF是一种深度渲染方法，它使用一个MLP人工神经网络去隐式学习一系列静态图像，并用体积去表示图像中的物体，合成全新的视角。实际上，NeRF通过将特定场景类型与适当的 3D 参数来模拟自然的远近景比例，原理有点类似于光线追踪技术。

传统的NeRF模型是基于多张输入图像来优化的，如果要合成输入图像中没有的新视角会存在一定局限，准确性也不够理想。由于场景中远处和近处的细节和比例不平衡，NeRF模型渲染出的场景可能会存在模糊、低分辨率等问题，训练模型的速度也很慢。而NeRF模型利用少量图像来重建大场景时，可能会出现锯齿。

为了改善这一问题，谷歌科研人员提出了mip-NeRF 360，一种基于NeRF的延伸模型，旨在优化图像采样和混叠的效果。mip-NeRF 360特点是可渲染场景中每一点的360°视角，比mip-NeRF的均方误差降低54%，可合成逼真的视图，以及高度复杂、细节的大场景深度图。

简单来讲，mip-NeRF是对NeRF的一种扩展，区别是NeRF将3D点以射线的形式排列来进行建模，而mip-NeRF则采用椎体的形式。mip-NeRF 360是在mip-NeRF基础上再次扩展，其特点是可合成无边界感的场景，这些场景可从任何方向和距离查看。

渲染复杂的场景

通过mip-NeRF 360，谷歌科研人员可合成与背景独立的3D模型，因此可替换背景。此外，也希望渲染出大规模的场景，这个场景可以从任意角度和方向来查看，场景中的内容可以设置在任意距离。相当于用AI合成一个3D游戏中的完整场景。此前的研究显示，基础的NeRF模型难以这样的渲染效果，其渲染的3D场景存在边缘模糊等问题。

NeRF算法通常只能合成有限规模的3D场景，越靠近场景边缘图像越模糊、分辨率越低并且存在锯齿，看起来就像是某种边界，效果不自然。因为NeRF算法没有正确学习远近处物体的自然缩放比例，所以在渲染不同分辨率视图时容易产生锯齿。NeRF渲染的场景仅能合成有限的视角，而且近景和背景的结构需要足够简单，如果太复杂合成效果不理想。

在此基础上的mip-NeRF模型可准确渲染3D物体，但其生成的背景通常较模糊，近景也不够细致。

相比之下，mip-NeRF 360方法可采集到逼真的360°视频数据，其中包含了背景中的草、树叶等细节，而且场景中包含细致的深度信息。另外，mip-NeRF 360在NeRF基础上改进了训练方法，分别利用粗和细光线间隔对场景进行采样。

科研人员表示：mip-NeRF 360 效果比以往的NeRF模型更好，而且比mip-NeRF的均方误差减少了 54%，训练时间仅增加了 1.92 倍。此外，该模型不需要外部训练数据，也不需要生成MVS（多视图立体）代理几何模型。相比之下，mip-NeRF 360会生成非常详细的深度图。