Motivation

• NeRF + encoder-decoder结构
• 用一个 single forward pass infer出novel scene representations
  • encoder输入：2D images + camera poses + intrinsics
  • encoder输出：neural radiance fieilds

主要做法

• 为每一个light ray (pixel) 提取general features
• 把features重投影到query 3D point p上
• 然后从p的feature infer出RGB和volume density
• 关键在于：对于任意同一个点，从不同的角度看来的feature是始终一样的，因此不同view的这个点渲染出的RGB和volume density也会保持一致

构成：四个部件，连接起来，端到端的训练

• 对每一个2D pixel的feature extractor
• 一个reprojector，从2D feature到3D空间
  • 做了一个简单的假设：一个像素的feature，是对这个ray上的每一个点的描述
  • 所以就是把一个query 3D point重投影到每一个输入view上，来从每一个输入view对应点的2D feature得到这个3D point的feature
  • 如果重投影的点落在图像内，那就选最近邻的像素的feature
  • 如果在图像外，就给一个零向量
• 一个aggregator，得到一个3D点的general features
  • 这里的挑战性在于：Input images的长度是可变的，并且没有顺序；因此，通过reprojector获取到的2D features也是没有顺序、任意尺寸的
  • 因此把这里定义为一个注意力聚集过程
• 一个neural renderer，来infer出那个点的外观和几何

Review

• 和GRF思路类似；每个点除了空间坐标以外，还额外condition一个feature，这个feature来自于把这个点重投影到input view之后索引出的input view feature space下的feature
• 作者评价的与GRF的区别
  • 本篇在view下操作，而不像GRF那样在canonical space下操作，因此本文方法可以适用于更一般的设定；
  • 本文方法的效果更好（笔者注：从web 视频来看，在少量view输入合成任务下的效果非常好）

Motivation

• image-conditioned NeRF

  • To overcome the NeRF representation’s inability to share knowledge between scene

  • 为了克服NeRF这样的表达不能在scene与scene之间保留/共享知识的问题（NeRF每次都要train from scratch）
  • condition a NeRF on spatial image features
• 在训练时不需要一个一致的标准正视图坐标系

Main components

• 全卷积图像encoder E
  • 把输入图像encode进入一个pixel aligned 特征grid
• NeRF 网络 f
  • 给定一个空间位置、encoded feature（位于重投影后的在图片上的坐标）
  • 输出color + density
• 

multi-view aggregation 方式

• 
• 在任意一个query point，对任意一个view，把query point $\boldsymbol{\rm x}, \boldsymbol{\rm d}$ 变换到input view space下
  $\boldsymbol{\rm x}^{(i)}=\boldsymbol{\rm P}^{(i)}\boldsymbol{\rm x},\quad \boldsymbol{\rm d}^{(i)}=\boldsymbol{\rm R}^{(i)}\boldsymbol{\rm d}$
• 在任意一个query point，对任意一个view，从投影后的图像位置的feature + position embedding + view direction embedding 计算中间变量
  $\boldsymbol{\rm V}^{(i)}=f_1(\gamma(\boldsymbol{\rm x}^{(i)}), \boldsymbol{\rm d}^{(i)};\boldsymbol{\rm W}(\pi(\boldsymbol{\rm x}^{(i)})))$
• 在任意一个query point，对于所有view，把所有中间变量过average pooling layer $\psi$ 后再过一个网络渲染出 $(\sigma, \boldsymbol{\rm c})$
  $(\sigma, \boldsymbol{\rm c})=f_2(\psi(\boldsymbol{\rm V}^{(1)},\ldots,\boldsymbol{\rm V}^{(n)}))$
• single view就是直接 $(\sigma, \boldsymbol{\rm c})=f(\gamma(\boldsymbol{\rm x}),\boldsymbol{\rm d};\boldsymbol{\rm W}(\pi(\boldsymbol{\rm x})))$