字節跳動利用單張圖片做三維重建：將NeRF、MPI結合，提出MINE
字節跳動視覺技術團隊結合 NeRF 和 Multiplane Image（MPI），提出了一種新的三維空間表達方式 MINE。MINE 通過對單張圖片做三維重建，實現新視角合成和深度估算。通過引入隱式神經場（NeRF），研究者將 Multiplane Images （MPI）擴展成連續的深度平面。給定單個圖片作為輸入，MINE 能在相機視錐中的任意深度，預測出一個四通道的圖像，四通道包括 RGB 顏色和空間密度。這種任意深度的四通道預測，實際上是對輸入圖片的視錐的三維重建，以及對被遮擋內容的填充（inpainting）。我們可以利用被重建和填充的視錐方便地渲染出新視角下的 RGB 圖片和深度圖，并且渲染過程是可導的。
- 論文地址：https://arxiv.org/pdf/2103.14910.pdf
- 項目地址：https://github.com/vincentfung13/MINE
在 RealEstate10K，KITTI 和 Flowers Light Fields 數據集上的實驗表明，MINE 在新視角合成的性能上大幅超越了當前最前沿的方法。同時，在 iBims-1 和 NYU-v2 的實驗表明，團隊在沒有使用真值深度做監督訓練的情況下，獲得了和前沿方法接近的深度估計性能。
該研究的訓練代碼與 pretrain model 已經開源。
相關工作
近年來，在新視角合成這個領域里，最火爆的方法無疑是 ECCV 2020 的 NeRF [5]。與傳統的一些手工設計的顯式三維表達（Light Fields，LDI，MPI 等）不同，NeRF 把整個三維空間的幾何信息與 texture 信息全部用一個 MLP 的權重來表達，輸入任意一個空間坐標以及觀察角度，MLP 會預測一個 RGB 值和 volume density。目標圖片的渲染通過 ray tracing 和 volume rendering 的方式來完成。盡管 NeRF 的效果非常驚艷，但它的缺點也非常明顯：
- 一個模型只能表達一個場景，且優化一個場景耗時久；
- per-pixel 渲染較為低效；
- 泛化能力較差，一個場景需要較多的照片才能訓練好。
另外一個與該研究較相關的是 MPI（Multiplane Image）[1, 2, 3]。MPI 包含了多個平面的 RGB-alpha 圖片，其中每個平面表達場景在某個深度中的內容，它的主要缺點在于深度是固定及離散的，這個缺點限制了它對三維空間的表達能力。[1, 2, 3] 都能方便地泛化到不同的場景，然而 MPI 各個平面的深度是固定且離散的，這個缺點嚴重限制了它的效果。
方法綜述
該團隊采用一個 encoder-decoder 的結構來生成三維表達：
- Encoder 是一個全卷積網絡，輸入為單個 RGB 圖片，輸出為 feature maps；
- Decoder 也是一個全卷積網絡，輸入為 encoder 輸出的 feature map，以及任意深度值（repeat + concat），輸出該深度下的 RGB-sigma 圖片；
- 最終的三維表達由多個平面組成，也就是說在一次完整的 forward 中，encoder 需要 inference 一次，而 decoder 需要 inference N 次獲得個 N 平面。
獲得三維表達后，不再需要任何的網絡 inference，渲染任意 target 相機 pose 下的視角只需要兩步：
- 利用 homography wrapping 建立像素點間的 correspondence?？梢韵胂?，從 target 相機射出一條光線，這條光線與 target 圖片的一個像素點相交，然后，研究者延長這條射線，讓它與 source 相機視錐的各個平面相交。相交點的 RGB-sigma 值可以通過 bilinear sampling 獲得；
- 利用 volume rendering 將光線上的點渲染到目標圖片像素點上，獲得該像素點的 RGB 值與深度。
Scale 校正
MINE 可以利用 structure-from-motion 計算的相機參數與點云進行場景的學習，在這種情況下，深度是 ambiguous 的。由于在這個方法中，深度采樣的范圍是固定的。所以需要計算一個 scale factor，使網絡預測的 scale 與 structure-from-motion 的 scale 進行對齊。團隊利用通過 Structure from Motion 獲得的每個圖片的可見 3D 點 P 以及網絡預測的深度圖 Z 計算 scale factor：
獲得 scale factor 后，對相機的位移進行 scale：
需要注意的是，由于需要和 ground truth 比較，所以在訓練和測試時需要做 scale calibration。而在部署時不需要做這一步。
端到端的訓練
MINE 可以僅通過 RGB 圖片學習到場景的三維幾何信息，訓練 Loss 主要由兩部分組成：
1.Reconsturction loss——計算渲染出的 target 圖片與 ground truth 的差異：
2.Edge-aware smoothness loss——確保在圖片顏色沒有突變的地方，深度也不會突變，這里主要參考了 monodepth2 [6] 種的實現：
3.Sparse disparity loss——在訓練集各場景的 scale 不一樣時，利用 structure-from-motion 獲得的稀疏點云輔助場景幾何信息的學習：
實驗結果
新視角合成
在 KITTI 數據集上，可以看出，此方法在生成質量上大幅超越了當前的 SOTA——把 SSIM 從 0.733 提高到了 0.822。同時，可看出增加預測的平面數，生成圖片的質量也會提高，由于這并不會改變模型的參數量，所以可以看出，采樣平面的深度越稠密，就越利于場景表達的學習。在圖片可視化上，MINE 生成的圖片形變和 artefacts 明顯更少。
單目深度估計
利用在 RealEstate10K 上訓練的模型，在 NYU 以及 iBims-1 數據集上測試了單目深度估計的結果。雖然只有 RGB 和 sparse 深度監督，但 MINE 在單目深度估計任務上取得了非常接近全監督的 3DKenBurns 的性能，并大幅超越了其他弱監督的方法。其中，和 MPI 相比，此方法更不受圖片 texture 的影響，在 texture 豐富的區域依然能生成平滑的深度圖。
MINE 與 MPI、NeRF 的比較
MINE 是 MPI 的一種連續深度的擴展，相比于 MPI 和 NeRF，MINE 有幾個明顯的優勢：
- 與 NeRF 相比，MINE 能夠泛化到訓練集沒有出現過的場景；
- 與 NeRF 的逐點渲染相比，MINE 的渲染非常高效；
- 與 MPI 相比，MINE 的深度是連續的，能稠密地表示相機的視錐；
- MPI 通過 alpha 合成（alpha compositing）進行渲染，但該方法與射線上點之間的距離無關，而 MINE 利用 volume rendering 解決了這個限制。
然而，MINE 也有一些自身的局限性：
- 由于輸入是單張圖片，MINE 無法表達相機視錐以外的三維空間；
- 由于 MINE 的輸入里沒有觀察角度，所以其無法對一些復雜的 view-dependent 效果（如光盤上的彩虹等）進行建模。
