编者按

• 不是传统的 scene graph 中的 graph 的定义，事实上较为 hand-crafted；
  • 额外把类别级表征模型也放到图里了，并且额外定义了一具体物体表征到类别级表征模型的边，事实上就是为了表达下某个物体属于某个类别（还有不同 scale），没有什么意义，这样的定义造成了全文的记号混乱，很多地方把类别级表征模型和具体物体表征混为一谈
• 用到的数据：
  • tracking 信息；自动驾驶 tracking 数据集
  • 视角信息，内外参
  • 物体 3D bbox
  • video
• 事实上做了什么
  • 利用 KITTI 数据集的 3d bbox 和物体位置标注数据，以及图像，学习了几种类别（卡车、轿车、大巴）的 nerf-based 的 asset bank（即类别级 nerf 表征）
  • 在有 3d bbox 和物体位置标注的情况下，完成了 动态前景+背景解耦、背景 inpainting 等
  • 额外利用逆向神经渲染过程简单尝试了下最优化迭代 BEV 视角下的 bbox 实现检测
• 用到了 motion clue 来自监督地检测物体、追踪物体姿态？
  • 没有。有 3D bbox 真值、tracking 信息/物体位置信息真值
• 是否做到了重新光照？还是只是简单的同处移位？
  • 只是简单的同处移位。还是 nerf 设定的一贯问题：view-dependent 效应 现在 纯粹由物体本身决定（baked-in 物体），没有环境光的解耦建模，和环境没关系

Motivation

• 主要是为了 model dynamic scenes；graph 是显式的 graph
• task：做了什么
  • 动态场景分解与操作
    
• 额外应用：
  • ==通过逆向渲染进行物体检测==

Overview

Scene graph 定义：注意不是传统的 scene graph 中的 graph 的定义，事实上较为 hand-crafted

• 
• $\mathcal{S}=\left< \mathcal{W}, C, F, L, E \right>$
• 根节点 $\mathcal{W}$，世界节点
• 相机节点 $C$
• 叶子节点 $F$， 包括静态 $F_{bckg}$ 和动态物体$\lbrace F_{\theta_c} \rbrace_{c=1}^{N_{class}}$等；其实就是指==类别级表征模型==，即同类别不同物体通过不同的子 latent 表达不同的 individual，类似 GRAF/PIGAN/AD-NERF/template-nerf
  • 
    这个图可以看出，从物体的 latent code 节点 $L$ 到 类别级表征模型 $F$ 还有一个所谓的边连接，其实就是表达一下这个物体属于某个类别的含义，并没有其他的特别的边含义；
  • 共享的，因此同类别物体表达时拥有共同的 scale；为了含有不同 scale，计算一个非等比的 scaling $S_o$，这个信息也加到了上述所谓的从 $L$ 到 $F$ 的边上
• 叶子节点 $L$，是每个物体的具体表征 latent
• 边 $E$，不连接 或者 存在从顶点 u 到顶点 v 的 transformation

类别级表征模型：文中描述定义为"augmented nerf"/“增广 nerf”，其实就是类似 GRAF/CGAN 的条件 nerf/conditional nerf

• 其实就是背景模型用 single-nerf 表达，动态物体用类别级 nerf 表达，在坐标$x$上额外拼接一个 latent $l$，和 GRAF 一模一样
  
• 背景
• 动态物体
  • 这里注意：
    • 因为该文是直接在 KITTI 上训练的，事实上相当于就是在 KITTI 上训了一遍 car 的 GRAF 模型
  • 每个物体有缩放、变换，所以坐标变换关系如下：
    • $x=S_o T_o^w x, ; \text{with} ; x_o \in [-1, 1]$
    • 其中 $S_o$ 就是 bbox 大小的倒数 –> 这样模型可以学到不依赖 size 的 canonical 表征

渲染框架

• 静态背景，为了提高效率，用了 multi-plane 采样，2.5D 表达
  • Stereo magnification: Learning view synthesis using multiplane images. In SIGGRAPH, 2018.
  • 初始($t=0$)相机坐标系下，near clip 和 far clip 之间定义与图像平面平行的 $N_s$​​ 个等距平面，用这样的方式定义的背景场景表征（而不像nerf那样的三维函数的模式）
  • 对于任意一条光线，背景节点采样点是光线与逐个平面的交点
  • 🤔 笔者思考：
    • 这种等距平面的模式也许也适用于任意长度、任意延伸的路面表征；随着路面朝向的改变与长度延伸，不断地新增等距平面
    • 需要考虑选取路面"隧道"样空间的哪些截面作为平面，与车道线垂直？平面原点定义为车道线点？如何考虑多车道？如何考虑多个车道之间空间的交界？
• 动态物体，计算 ray-box intersection，计算射线和 bbox 相交的区域
  • AABB-ray intersection；
    • A ray-box intersection algorithm and efficient dynamic voxel rendering. 2018
    • 首先把光线变到物体的local坐标系，然后做efficient AABB test
  • 计算每条射线方向和所有动态物体的 bbox 交点起终点，然后在起交点和终交点之间采样 $N_d$​​ 个点即为采样点
  • 作者说很少量的几个等距点足够精确表达动态物体，并且渲染时间也很短
• 🤔 ​笔者思考：
  • 考虑到任意组合场景的设定下，不同物体的采样方式、渲染方式、缩放都会不太一样；
    • 如果渲染方式都不同，就很难render compositional scene了，因为体渲染组合场景是需要根据前后的三维遮挡关系来修正$T(t)$积分函数的
  • 不同物体的model比较合适的统一的输入是rays_o、rays_d、near、far，而不是采样点；统一返回一组点的 $\sigma(t)$​ 与 $\mathbf{c}(t)$​​ ；然后统一利用其进行体渲染
    • 比如对于背景节点的采样点是和等距平面的交点
    • 对于动态节点的采样点是光线和bbox交叉部分的采样点

Result

• 在额外有 3D bbox 真值、tracking 信息/物体位置信息真值时，单独分开表达物体还算是较为简单的
  

额外应用：利用逆向神经渲染进行物体检测：🚀 是我想要的思路！

• 在 BEV 下随机采一个初始 anchor box，然后只使用 $l_1$ 图像重建误差同时迭代最优化 anchor box position、latent code

不足与 future work

• 数据集本身 scale 小（毕竟是自动驾驶数据集），物体都见不全，后面想做 large view extrapolation

Implementation

• 利用 tracking 的标注直接计算得变换矩阵

• “a scene” 一个scene？ 训练350k迭代/一整天

  • 🤔 每次只训练一个scene？相当于就是一整段 KITTI sequence？
  • 最多12个动态物体 -> 符合 KITTI 数据集里面的每一段的情况

• 等距平面 $N_s=6$，bbox交叉线采点数 $N_d=7$​

• 扩充了物体的bbox，使得能够包含物体的阴影

• 线性学习率下降

• 可以使用KITTI原来人工的标注，也可以使用现有的tracking的方法：（tracking 即使 noisy 也可以）

  • PointRCNN 检测 + AB3DMOT tracking
  • 或者 CenterTrack：只依赖于纯粹的未标注的视频序列