Motivation

task：做了什么

• 从多视角无 mask 图像中重建表面，并且合成新视角观测

核心 insight: neural radiance model 和 neural implicit shape model 可以用一种统一的方式建模

• 更高效的 sampling 过程
• 没有 input mask （不像 DVR，IDR 那样）的情况下也可以学到精确的表面

diss 目前：

• nerf：
  • cons：没有 accurate surface
  • pros：对非 solid scene 也能用，比如烟雾；本文 focus on solid objects
• DVR / IDR：
  • pros：可以从图像重建精确表面；
  • cons：
    • 需要 per-pixel mask；🤔 注意 per-pixel mask 和 sihoulette 的区别
      • per-pixel mask 意味着物体上那些有空洞的区域也要扣掉；不然会被认为是背景色实体
    • 网络需要适当的初始化，因为 表面渲染技术 只能在局部提供梯度信息（也就是光线和表面的交点区域） -> 不像 nerf 那样整个空间都密布着梯度
      • 
      • 直觉上讲，这种利用局部梯度信息的最优化过程就是在迭代对初始形状（总是一个球）进行变形

Overview

对 nerf 的魔改：

• \(\alpha(x) = 1-\exp\left(-\sigma(\mathbf{x})\delta\right)\) 直接改为 \(o(x)\)，
  • 即把 nerf 渲染过程中的 \(\alpha(x)\) 替换为\(o(x)\) ，即 Occupancy field，取值 \([0,1]\)，\(o=0.5\) 代表表面
• 颜色场从 \(c(\mathbf{x}_i, \mathbf{d})\) 改为 \(c(\mathbf{x}_i, \mathbf{n}_i, \mathbf{h}_i, \mathbf{d})\)，其中 \(\mathbf{n}_i\) 为点 \(\mathbf{x}_i\) 处的法向量，\(\mathbf{h}_i\) 为点 \(\mathbf{x}_i\) 处的几何场特征
  • 对法向量 \(\mathbf{n}_i\) 和 \(\mathbf{h}_i\) 的额外依赖在 IDR 一文中有所提现
• 渲染射线采样点时：
  
  • 考虑到，implicit surface 的一个关键假设是只有和表面的第一个交叉点对渲染有贡献；
    • 但是这一点在迭代初始时，表面并没有被好好定义时，并不竟然；
    • 因此，DVR 和 IDR 都需要强 mask 监督（per-pixel mask）
  • 首先寻根找到交叉点，然后从交叉点出发向两侧采样
    • 在刚开始的迭代，采样间隔很大，涵盖整个 volume；effectively bootstrapping
    • 在迭代过程中，采样间隔逐渐变小，靠近估计的交叉点/表面点；一个随迭代代数指数衰减的积分间隔（有最小值）
  • occupancy field 可以直接寻根，在根周围采样，因此也不需要 NeRF 的 hierarchical 重要度采样过程
    • 笔者：而且理论上应该效果会好很多，尤其是在训练的 later 迭代里

思路：

• start at nothing that:
  • nerf 中的渲染式子
    • 
  • 可以被写作：
    • 
• 考虑 solid 物体，把 \(\alpha\) 这个 [0,1] 的值直接替换为一个离散的 inside/outside indicator，\(o=0\)代表 free space，\(o=1\)代表 occupied
  • 这种情况下，事实上 \(\hat{C}(\mathbf{r})\) 事实上就只取射线上==第一个 occupied 的点==的 \(c(\mathbf{x_i}, \mathbf{d})\)
• 然后稍微弱化一下这个设定，不要 \(\{0,1\}\) 的极端，而是取像 occupancy field 那样的 \([0,1]\) 范围值；这时，\(o=0.5\) iso-surface即作为曲面表达，即得到了 accurate 表面的表面

训练

• Loss
  • 图像重建 \(l_1\) loss
  • 表面法向量 \(l_2\) 正则 \(\lVert \mathbf{n}(\mathbf{x}_s) - \mathbf{n}(\mathbf{x}_s + \epsilon) \rVert\)，其中\(\mathbf{x}_s\) 就是渲染图像时采样的像素射线和表面的交点（直接通过寻根过程找到）

结果

Implementation

网络结构

• occupancy field: \(o_{\theta}\)

  • 类似 IDR，使用8层MLP+256 hidden + softplus 激活
  • 初始化，使得 decision boundary 是一个 sphere

• radiance field: \(c_{\theta}\)

  • 4层MLP；

• 一样的位置编码

最优化过程

1. 采用了和 IDR / IGR 相同的 geometric init，即保证初始化后的 implicit surface model 是一个大致的球形(sphere init)，半径可控
   1. 笔者：intro里面diss了geometric init，可自己还是要用 geometric init 🐶
   2. 如图，初始化时最后一层 bias 为 (-1)*radius，中间还有对每层权重以及针对 positional embedding 的专门处理
      
      • 搞清楚原理
2. 随机采样 rays
3. render all sampled rays
   1. root-finding：256均匀采样点；用 secant 方法迭代8步[32]
      • [32] Occupancy networks 事实上 occupancy networks没有这个过程，作者应该是引错了，应该引他们的另外一篇论文 DVR
   2. interval 内 64 个 query points在 \(\left[t_s-\Delta, t_s+\Delta\right]\)，32 个 freespace中（camera和interval的下界之间，也就是camera \(t=0\) 和 \(t=t_s-\Delta\) 之间）
   3. 两步衰减？应该指的是学习率在200k和400k衰减两次，总共训练450k迭代

数据集

DTU

• 虽然没提，但应该仍然做了 camera 的 re-normalization 到单位球内；
• 因为训练时没有mask，所以需要建模 background；因此，实际的ROI考虑是4倍大的半径；射线采样也只在这个ROI中进行
• background is black

Indoor Scene from SceneNet

• 定义ROI，使得所有相机都位于一个 sphere 内，并且 sphere 的中心大致就是 scene 的中心
  • 这里需要写一个 re-normalize 函数工具，使得所有相机形成的总visual hull的中心大致是一个sphere的中心，同时这个sphere的半径刚好把所有相机都包进去
• background is black

BlendedMVS

• background 过于复杂，使用 nerf++ 的设定，额外用一个 seperate 的 background model 可以起到很好的效果，可以 seperate foreground and background properly

Review

• 🚀 额外和 4 月发的 UNISURF 进行了对比
  
• 它的采样过程并没有像 UNISURF 那样先进行求根，再在表面附近取interval：
  • 这大概率是因为 SDF 本身已经提供了距离表面的距离，因此可以直接利用 SDF 值对权重函数进行一定设计，而不需要先求出表面点的深度然后再在表面点附近取interval
• 其映射策略 相当于只在乎穿过表面附近的点的cdf的下降沿

Result

• 
• 精细结构，效果惊艳
  
• SDF 表面，背景干净
  
• 无 mask 重建
  

Motivation

task / 做了什么

• 从多视角图片中重建表面；
• 给 SDF 做 volume render
• introducing a density distribution induced by SDF：引入一种由 SDF 引导的 density 函数（非常接近 VolSDF）
• 发现对 SDF 引导的 density，直接简单用 volume rendering 会有可识别的误差；因此额外提出了一套新的 volume rendering 机制来保证一阶 SDF 估计无偏的表面重建

一阶估计无偏

diss 之前：

• IDR 等 从 SDF 进行 volume rendering 来反过来做三维重建的工作：
  • cons：
    • 难以应对 abrupt 突然的 深度改变和复杂的物体；
      • 由于其在渲染时只考虑光线和表面的单个交点；因此梯度只存在于单个点，对于高效的反向传播来说非常 local；因此在最优化时常常陷入局部最优
      • 如 (a) 图上部分，对于突然的深度改变，网络只能预测出光滑的不准确的蓝色点
    • 需要 per-pixel mask 来收敛到一个 valid surface；
• nerf：
  • pros：
    • 因为在渲染时考虑了光线上的多个点，因此可以应对突然的深度改变

对 NeRF 的魔改

how to NeRF(SDF)

• opacity 直接替换为 SDF 的概率密度函数 \(\phi_s(f(\mathbf{x}))\) ，\(\phi_s(x)={se^{-sx}}/{\left(1+e^{-sx}\right)^2}\)， \(f\) 即代表 SDF 函数，\(s\) 是一个 trainable parameter
• SDF 零值面表达形状
• 即 logistic density distribution，是 Sigmoid function \(\Phi_s(x)=(1+e^{-sx})^{-1}\) 的导函数
• 原则上，\(\phi_s(x)\) 可以是任意 在 0 处 unimodal 单峰（bell-shaped，铃形） 的密度函数，这里选择 logistic density function 是因为其计算便利性
• \(\phi_s(x)\) 的标准差是 \(1/s\)， 也是一个 trainable parameter，即当网络收敛时 \(1/s\) 趋向于 0
• 注意：和传统 volume rendering 的形式不同，这里直接使用 \(\phi_s(x)\) 作为 opacity

渲染过程

• 给定一个像素，起点为 \(\mathbf{o}\)，光线方向为 \(\mathbf{v}\)，其上一点为 \(\mathbf{p}(t)=\mathbf{o} + t \mathbf{v}\)

• 这个像素的渲染一般通式为：\(w(t)\) 是权重函数，所以要求 \(w(t)>0\) 且 \(\int_0^{+\infty}w(t)=1\)

  \[C(\mathbf{o}, \mathbf{v}) = \int^{+\infty}_0 w(t) \;\; c(\mathbf{p}(t), \mathbf{v}) \rm{d}t \]

• 作者认为从2D图像学习精确的SDF的表达的关键是 建立一个合适的基于SDF的 weight function \(w(t)\)，有两点要求：

  • Unbiased.
    • 对于某条相机射线 \(\mathbf{p}(t)\) 和 surface 的交点 \(\mathbf{p}(t^*)\)， \(w(t)\) 在\(t^*\) 处应取得局部最大值
    • 相机射线和SDF zero-level set 的交点的像素贡献最大
  • Occulusion-aware.
    • 同一条射线上两个深度 \(t_0\) 和 \(t_1\)，如果 \(f(t_0)=f(t_1)\) 但 \(t_0 < t_1\)，那么应该有 \(w(t_0)>w(t_1)\)；
    • 即考虑自体遮挡，如果一条射线多次交叉表面，应该(更多地)使用最靠近相机的交点的颜色

• 作者讨论了两种 \(w(t)\) 表达，最终选择了下式形式，其中 \(f\) 代表 SDF 函数

naive 的 \(w(t)\) 权重函数设计

即直接利用先前的 volume rendering pipeline：

\[w(t)=T(t)\sigma(t) \]

\(\sigma(t)\) 是传统体渲染中的 volume density，\(T(t)=\exp(-\int_0^t\sigma(u){\rm d}u)\) 是 accumulated transmittance

设定直接取 \(\sigma(t)=\phi_s(f(\mathbf{p}(t)))\)

只能做到 occulusion-aware，但是有 bias，在射线打到表面之前 \(w(t)\) 已取得了局部最优

作者提出的 \(w(t)\) 权重函数设计

• 首先讨论一种straight-forward 方式

  \[w(t) = \frac{ \phi_s(f(\mathbf{p}(t)))}{ \int_0^{+\infty} \phi_s( f( \mathbf{p}(u) ) ) {\rm d}u } \tag{4} \]

  • 显然无偏，但是没有occlusion-aware：两个SDF交叉点将在\(w(t)\)中产生两个等值的峰

• 在此基础上，进一步改进，得到最终的表达：

  \[\begin{eqnarray*} w(t)=T(t)\rho(t), \; T(t)=\exp(-\int_0^t \rho(u){\rm d}u) \tag{5} \\ \rho(t)=\max \left( \frac{-\frac{ {\rm d} \Phi_s}{ {\rm d} t} (f(\mathbf{p}(t)))}{\Phi_s(f(\mathbf{p}(t)))}, 0 \right) \tag{10} \end{eqnarray*} \]

  • 这里的作者定义的 opaque density \(\rho(t)\) 与 naive 中的 \(\sigma(t)=\phi_s(f(\mathbf{p}(t)))\) 设计的不同是关键
  • 思路：
    • 想要做occlusion-aware，可以借鉴体渲染中的思路，\(w(t)=T(t)\rho(t), \, T(t)=\exp(-\int_0^t \rho(u){\rm d}u)\)，所以现在问题变为怎样设计一个合适的\(\rho(t)\)
    • 首先：在射线与表面单次相交、表面是平面的设定下，从式(4)(5) 出发导出 \(\rho(t)\) 以 \(f(\mathbf{p}(t))\) 为输入 的表达式，然后再推广到多次表面相交的情况下
    • 推广：在一般的光滑曲面情况下，在射线与表面的交点区域，可以用上述局部平面近似，从而保证对于一般光滑曲面仍然存在上述的无偏的设定

• 离散化

  \[\begin{eqnarray*} \hat{C} && =\sum^n_{i=1}T_i \alpha_i c_i \\ T_i && =\prod_{j=1}^{i-1}(1-\alpha_j) \\ \alpha_i && = \max \left(\frac{ \Phi_s(f(\mathbf{p}(t_i))) - \Phi_s(f(\mathbf{p}(t_{i+1}))) }{ \Phi_s(f(\mathbf{p}(t_i))) } ,0 \right) \end{eqnarray*} \]

最终的\(w(t)\)的设计效果可视化：\(w(t)\) 保证SDF的估计是一阶无偏，并且是 occlusion-aware 的

采样过程

基本没怎么改动 nerf 原来的 stratified sampling 过程；

• 没有用 coarse network 和 fine network；只训了一个network
• 首先均匀采样一组点，然后再coarse importance sampling + fine importance sampling
  • coarse sampling 64个点，的 概率值由 固定的很大的标准差 \(1/s\) 定义的 \(\phi_s(f(\mathbf{x}))\) 给出
  • fine sampling 64个点，的概率值由 learned \(1/s\) 定义的 \(\phi_s(f(\mathbf{x}))\) 给出
• 首先均匀采样64个点作为coarse sampling 点；
• 然后利用这组均匀coarse点 和其对应的 由固定的很大的标准差 \(1/s\) 定义的 \(\phi_s(f(\mathbf{x}))\) 值 构造 pdf，采样64个fine点

Loss

• L1重建误差；对于 outliers 鲁棒，训练稳定
• Eikonal 项：在sampled points上，SDF法向量的loss
• mask 项：mask 的 BCE (binary cross entropy)
  • 这里的预测可微分mask就是通过射线上\(w(t)\)的和求出来的

Supp

Geometric Init 的效果及其可视化

• 上一行是没有 geometric init （random init）的结果，下一行是有 geometric init 的结果

trainable standard deviation \(1/s\) 的曲线

Future work

• 目前只用了单个标量 \(s\) 来建模整个空间所有点的概率分布的标准差；将来考虑和几何网络一起建模一个整个空间 不同空间位置不同标准差 的场，依赖于不同的局部几何特征；和场景一起最优化。

Implementations

• 网络结构
  • SDF网络 \(f\) 结构同 IDR，8层256宽MLP；
    • \(\beta=100\) 的 softplus
    • 第4层skip connections
  • radiance 网络4层256宽MLP；condition on 空间位置 \(\mathbf{p}\)， 法向量 \(\mathbf{n}\)，SDF网络的特征向量
  • 空间位置 \(\mathbf{p}\) 6个embedding， 观察方向 \(\mathbf{v}\) 4个embedding
  • 同IDR，使用weight normalization 来稳定训练过程
• 采样

  • 🤔 这里的 ROI 设置是怎么回事？

    • 类似 nerf++ 对相机进行了额外的scaling操作？ 和UNISURF等文章一样，统一都直接用的IDR仓的相机scaling操作

  • 假定ROI区域位于一个单位球内

  • coarse/fine sampling = 64个点；[by author] “large fixed” \(1/s\) = \(1/64\)

  • 对于 w/o mask 的 setting

    • 额外在单位球外采样32个点

    • （单位球）外部的场景使用 NeRF++ 来表达

      • 这里是额外的 NeRF++球外网络？

  • 

    • sampled section points，\(\mathbf{q}_i=\mathbf{o}+t_i \mathbf{v}\)；sampled mid-points \(\mathbf{p}_i = \mathbf{o} + \frac{ t_i + t_{i+1} }{2} \mathbf{v}\)
    • \(\alpha_i\) 在 sampled sections points 上计算，\(\alpha_i = \max \left(\frac{ \Phi_s(f(\mathbf{p}(t_i))) - \Phi_s(f(\mathbf{p}(t_{i+1}))) }{ \Phi_s(f(\mathbf{p}(t_i))) } ,0 \right)\)
      • N+1 个 sections 点产生 N 个 alpha 值
    • color \(c_i\) 的在 sampled mid points 上计算
• 训练
  • 使用 SAL 一文中提出的 geometric initialization
  • 每个batch采512个rays，300k iterations，训练14小时（w/ mask） / 16小时（w/o mask），2080Ti

Review

• 深入体素采样过程；
• 看似简单的修改，实则在数学证明上下足了功夫，改进了体素采样过程

Resource

• 对第 3 章的理解笔记 [jupyter notebook]

Motivation

• 
• nerf 的形状由 generic 的 density function 来表达，而且存在任意的 level set，形状非常粗糙、低分辨率
• 让 nerf 的用上高质量的 SDF 的形状表达
• task；做了什么：
  • 从多视角的无 mask 图像中三维重建物体表面、材质
  • 改进 volume rendering 中的几何表达与重建
  • 通过将 density 建模为 geometry 的函数

对 nerf 的魔改

将 volume density \(\sigma(x)\) 建模为一个 learnable 的 SDF 的变换：

• \(\sigma(x) = \alpha \Psi_{\beta}(-\text{SDF})\)
  • 式中，\(\alpha, \beta >0\) 都是 learnable 参数， \(\Psi_{\beta}(s)\) 为 zero-mean, \(\beta\)-scale 的拉普拉斯分布的 CDF 函数：

    \[\Psi_{\beta}(s)=\left\{ \begin{array}{l} \frac{1}{2}\exp\left(\frac{s}{\beta}\right) & & \text{if} \; s \leq 0 \\ 1-\frac{1}{2}\exp\left(-\frac{s}{\beta}\right) & & \text{if} \; s > 0 \end{array} \right. \]

    • 当 \(\beta \rightarrow 0\) 时，\(\Psi_{\beta}\) 退化到一个简单的 1/0 inside/outside indicator
  • 直觉上说，这个 density \(\sigma\) 建模了一个同质固体，带有常数 density \(\alpha\)，并且 density 靠近边界时均匀平滑衰减，衰减平滑程度由 \(\beta\) 决定
• 好处：
  • 为表面的几何形状带来了一个有用的 inductive bias，相比于过去任意零值面
  • \(\sigma(x) = \alpha \Psi_{\beta}(-\text{SDF})\) 的定义 facilitates a ==bound== on the error of the opacity；以往这样的 bound 是不会自动出现的
    • ❓ 这个 bound 指 \(\alpha\) ？

渲染过程（回答了为什么这样设计 density）

• 体素渲染的本质就是(is all about) 估计 沿着相机射线上的辐射亮度(radiance)的积分，其中有两个重要的量：

  • 体素不透明度 volume’s opacity \(O\)，或者其等价量 透明度 transparency \(T\)
  • 光场 light field \(L\)

• 透明度代表着对于任意 \(t \geq 0\) ，光子成功穿过 segment \([\mathbf{c}, \mathbf{x}(t)]\) 而不 弹回被吸收¹ 的概率\(T(t)=\exp\left( -\int_{0}^{t} \sigma(x(s))\rm{d}s \right)\)

• 而不透明度就是 \(O(t)=1-T(t)\)

  • \(O(t)\)是一个单调递增函数，\(O(t)=0\)，如果假设每条射线最终都被遮挡的话，\(O(\infty)=1\)；
  • 在这种意义上，可以把 \(O\) 视作一个 CDF/概率分布函数，而 \(\tau(t)=\frac{\rm{d}O}{\rm{d}t}(t)=\sigma(x(t))T(t)\) 即为其 PDF/概率密度函数

• 因此，体素渲染过程即为一条射线上的 期望像素

  • \(I(\mathbf{c}, \mathbf{v}) = \int_0^{\infty} L(\mathbf{x}(t), \mathbf{n}(t), \mathbf{v}) \;\; \tau(t)\)
  • 光场 \(L\) 函数之所以额外加了 法向量 \(\mathbf{n}\) 作为条件输入，是考虑到常见材质的 BRDF 一般依赖于表面法向量 \(\mathbf{n}\)
  • ❓ Q：为什么是这样的
    • A：来自体图形学发光-吸收模型的基本公式；这里的 \(L\) 函数为预乘了 \(\alpha\) 的颜色值

采样过程（利用 opacity 的 error bound 进行采样）

将积分式 \(I(\mathbf{c}, \mathbf{v}) = \int_0^{\infty} L(\mathbf{x}(t), \mathbf{n}(t), \mathbf{v}) \;\; \tau(t)\) 近似为加和式 \(\sum_{i=1}^{m-1} \hat{\tau}_i L_i\)​

• \(\hat{\tau}_i \approx \tau(s_i) \Delta s\)​​​​​，近似PDF乘以interval length；
  • \(\tau(t)=\frac{\rm{d}O}{\rm{d}t}(t)=\sigma(\mathbf{x}(t))T(t)\)​ -> 就是直接从那个积分定义求导推出来的
• \(L_i=L(\mathbf{x}(s_i), \mathbf{n}(s_i), \mathbf{v})\) 是当前点采样出来的光场

由于 PDF 函数 \(\tau\)​​​ 常常集中于物体边界区域，积分近似采样函数的选择对积分估计的质量有严重影响；一种解决方案就是利用 inverse CDF \(O^{-1}\)做适应性采样（即NeRF的fine sampling）。

diss NeRF做法的问题：

• 单次adaptive sampling / fine sampling不足以产生准确的采样点：使用粗鲁的、naive的\(O\)的近似会导致 sub-optimal 的采样点，会错过或者过度延展不可忽视的（在边界/表面附近）的那些 \(\tau\) 值

error bound 证明

流程

• 从 在任意一个积分segment \([t_i, t_{i+1}]\)​ 中， \(\lvert \frac{d}{ds} \sigma(\mathbf{x}(s)) \rvert\)​ 存在上界
• 推出 在任意一个积分segment \([t_i, t_{i+1}]\) 中， \(\int_{0}^{t} \sigma(\mathbf{x}(s))\) 与离散乘法加法的黎曼和近似积分 的误差存在上界
• 从而推出 在任意一个积分segment \([t_i, t_{i+1}]\) 中， \(O(t)\) 的积分近似误差存在上界（上界为segment终点的无符号距离\(d*\) 与 \(\alpha\)和\(\beta\)的函数）

引理

1. 固定\(\beta\)，设定任意一个 \(\epsilon\)，那么一个充足的采样可以保证 上界<\(\epsilon\)

2. 固定采样点个数，设定任意一个 \(\epsilon\)​，那么一个充分大的 \(\beta\)​ （不小于\(\frac{\alpha M^2}{4(n-1)\log(1+\epsilon)}\)​）可以保证 上界<\(\epsilon\)​

• \(M\)是 \(t\) 采样时候的上界 \(t\in[0,M]\)

依据 error bound 的采样算法

目的：这个采样算法最终能够保证 \(O(t)\)​​ 的积分近似误差不超过设定的 \(\epsilon\)​

流程：

核心目的是通过充足的采样点使得网络自己现在的 \(\beta\)​​​ 就能满足上界 \(<\epsilon\)​，从而得到一个积分误差可控的 \(\hat{O}\) 序列

• 初始化采样：均匀采 \(n=128\)​​​ 个点；然后根据引理2选取一个 \(\beta_+\)​（大于当前 \(\beta\)​） 保证 \(\epsilon\)​​​ 被满足
• 迭代最大5次上采样点，直到采样足够充足使得网络现在的 \(\beta\) 就能够满足上界\(<\epsilon\)​；（如果5次上采样以后还是不行，就选取最后一次迭代的那个\(\beta_+\)，而不是现在网络自己的\(\beta\)）
  • 为了能够减小 \(\beta_+\)，同时保证 \(\epsilon\) 被满足，上采样添加 \(n\) 个采样点
    • 每个 区间采的点的个数和该区间当前 error bound 值成比例
  • 由均值定理，区间\((\beta, \beta_+)\)中一定存在一个\(\beta_*\)刚好让 error bound 等于 \(\epsilon\)​
    • 所以用二分法（最大10个迭代）来找这样的一个\(\beta_*\)​​来更新 \(\beta_+\)​
• 用最后的上采样点和选取的\(\beta\)​ 来估计一个 \(\hat{O}\)​ 序列
• 用估计出来的 \(\hat{O}\) 序列来 inverse CDF 采样一组（\(m=64\)​） fresh new 的点来算 \(\hat{O}\)
  • 🤔 笔者：为什么不用前面算法自己得到的所有点的 \(\hat{O}\) 并用于后面的volume render？因为显存无法支持呀！这个算法本身计算都是在 with torch.no_grad() 中包裹的，不保留梯度所以没什么显存占用；最后输出的64个点要用于volume render计算，全程保留梯度；每条射线64个带梯度的点显存占用就已经非常大了

效果

• 
  • orange: estimated opacity
  • blue: true opacity
  • black: SDF
  • yellow dots：采样点举例
  • ref：true opacity error
  • faint red：error bound
• 
  • 每条 ray 的误差的 heat map

训练：

• （和IDR设定一样）geometry 网络输出SDF与256维feature
• “light field” 网络 \(L(\mathbf{x}, \mathbf{n}, \mathbf{v}, \mathbf{z})\)
• 实际上 \(\alpha\) 就是 \(\beta^{-1}\)，网络自己学的只有 \(\beta\)​​
• 一个 batch 1024 个像素

Loss：

RGB L1 loss 与 SDF 法向量的 eikonal 正则（权重为0.1）

Implementation

Dataset

• DTU
• BlendedMVS：
  • 📍 能直接整体学，不像UNISURF或者NeuS那样需要额外的 NeRF++ 背景模型
  • 见训练细节一节，还是用了NeRF++的背景设定

Camera

• 这里可以仔细看看是怎么做的；最终保证一个r=3的包络球

训练细节

• geometry：8层，256，第4层skip connetction；
  • geometric initialization
• light field：4层，256 + 最后一层 sigmoid 激活
• 初始 \(\beta=0.1\)​​
• 射线的far值设定为\(M=2r\)
• 学习率 5e-4 指数衰减到 5e-5；
• DTU每个训练100k个迭代；blendedMVS每个训练200k个迭代
• 关于背景：
  • 为了满足所有的rays（包括那些不和任何表面相交的rays）最终都是occluded（\(O(\infin)=1\)​）的假设
  • DTU这种简单一些的数据集：
    • 把SDF建模为： \(d_{\Omega}(\boldsymbol{x})=\min\{d(\mathbf{x}), r-\lVert x \rVert_2)\}\)​​​
      • \(r\)​​​ 是 scene 的 bounding sphere，比如作者他们用的把相机都包裹在半径为3.0的球里；
      • 向外延伸时，背景的距离值会重新下降甚至变为负数；完全等价于在r=3的半径又放了一个外翻的球面（r<3是外，r>3是里）
    • 渲染时，最大的深度为 \(2r\)​；这意味着 far 值为6.0；​
  • blendedMVS这种复杂背景数据集：
    • 把 \(r\)​​ 外部的volume用类似NeRF++的参数化方式；32个点，均匀\(1/r\)采样；