在线免费看片a欧美,午夜AV不卡网站在线播放,久久综合尹人77777,96国产在线分享

近日，Meta 和 CMU 的研究人員提出了一全新的 6-DoF 視頻表征方法，張 RTX 3090 即可每秒 18 幀實(shí)現(xiàn)百萬像素分辨率染，或?qū)⒔o VR 帶來革命性的高質(zhì)體驗(yàn)。最近由 Meta 和卡內(nèi)基梅隆大學(xué)提出 6-DoF 視頻表征模型 ——HyperReel，可能預(yù)示著一個(gè)全新 VR「殺手級(jí)」應(yīng)用即誕生！所謂六自由度視」（6-DoF），簡單來說就是一個(gè)高清的 4D 體驗(yàn)式回放。其中，用可以完全「身于」動(dòng)態(tài)景里面，并可以自由地動(dòng)。而當(dāng)他任意改變自的頭部位置3 DoF）和方向（3 DoF）時(shí)，與之相應(yīng)的圖也會(huì)隨之成。論文地：https://arxiv.org/ abs / 2301.02238與之前的工相比，HyperReel 最大的優(yōu)勢(shì)在于內(nèi)存和算效率，而兩點(diǎn)對(duì)于便式 VR 頭顯來說都至重要。而且需采用 vanilla PyTorch，HyperReel 就能在單張偉達(dá) RTX 3090 上，以每秒 18 幀的速度實(shí)現(xiàn)百萬素分辨率的染。太長不版：1. 提出一種可在分辨率下實(shí)高保真度、幀率的渲染光線條件采預(yù)測(cè)網(wǎng)絡(luò)，及一種緊湊內(nèi)存高效的態(tài)體積表征2. 6-DoF 視頻表征方法 HyperReel 結(jié)合了以上兩個(gè)核心分，可以在時(shí)渲染百萬素分辨率的時(shí)，實(shí)現(xiàn)速、質(zhì)量和內(nèi)之間的理想衡；3. HyperReel 在內(nèi)存需求、渲染度等多個(gè)方均優(yōu)于其他法。論文介體積場(chǎng)景表（volumetric scene representation）能夠?yàn)殪o態(tài)場(chǎng)景提逼真的視圖成，并構(gòu)成現(xiàn)有 6-DoF 視頻技術(shù)的基礎(chǔ)。而，驅(qū)動(dòng)這表征的體積染程序，需在質(zhì)量、渲速度和內(nèi)存率方面，進(jìn)仔細(xì)的權(quán)衡現(xiàn)有的方法一個(gè)弊端 —— 不能同時(shí)實(shí)現(xiàn)實(shí)時(shí)性、小內(nèi)存占和高質(zhì)量渲，而在極具戰(zhàn)性的真實(shí)景中，這些是極為重要。為了解決些問題，研人員提出了 HyperReel—— 一種基于 NeRF 技術(shù)（神經(jīng)輻射）的 6-DoF 視頻表征方法。其，HyperReel 的兩個(gè)核心部是：1. 一個(gè)光線條件的采樣預(yù)測(cè)絡(luò)，能夠在分辨率下進(jìn)高保真、高率的渲染；2. 一個(gè)緊湊且內(nèi)存高效動(dòng)態(tài)體積表。與其他方相比，HyperReel 的 6-DoF 視頻管線不僅在視質(zhì)量上表現(xiàn)佳，而且內(nèi)需求也很小同時(shí)，HyperReel 無需任何定制的 CUDA 代碼，就能在百萬像分辨率下實(shí) 18 幀 / 秒的渲染速度。具體說，HypeReel 通過結(jié)合樣本測(cè)網(wǎng)絡(luò)和基關(guān)鍵幀的體表征法，從實(shí)現(xiàn)了高渲質(zhì)量、速度內(nèi)存效率之的平衡。其的樣本預(yù)測(cè)絡(luò)，既能加體積渲染，能提高渲染量，特別是于具有挑戰(zhàn)的視圖依賴的場(chǎng)景。而基于關(guān)鍵幀體積表征方，研究人員用的是 TensoRF 的擴(kuò)展。這方法可以在存消耗與單靜態(tài)幀 TensoRF 大致相同的時(shí)，湊地表了一個(gè)完整視頻序列。時(shí)演示接下，我們就實(shí)演示一下，HypeReel 在 512x512 像素分辨率動(dòng)態(tài)和靜態(tài)景的渲染效。值得注意是，研究人在 Technicolor 和 Shiny 場(chǎng)景中使用了更的模型，因渲染的幀率于 40 FPS。對(duì)于其余的數(shù)據(jù)集使用完整模，不過 HypeReel 仍然能夠提供實(shí)時(shí)推理TechnicolorShinyStanfordImmersiveDoNeRF實(shí)現(xiàn)方法為了實(shí)現(xiàn) HeperReel，首先要考慮的問，就是要優(yōu)靜態(tài)視圖合的體積表征像 NeRF 這樣的體積表征，就是靜態(tài)場(chǎng)景在 3D 空間中的每一個(gè)點(diǎn)密度和外觀進(jìn)行建模。具體地說，過函數(shù)將位 x 和方向沿著?條射映射到顏色密度 σ(x)。此處的可訓(xùn)練參數(shù) θ，可以是神網(wǎng)絡(luò)權(quán)重、N 維數(shù)組條目，或兩者的合。然后就以渲染靜態(tài)景的新視圖中表征從 o 到的透射率。在實(shí)踐中可以通過沿定射線獲取個(gè)樣本點(diǎn)，后使用數(shù)值積來計(jì)算方式 1：其中權(quán)重指定了個(gè)樣本點(diǎn)的色對(duì)輸出的獻(xiàn)。體積渲的網(wǎng)格示例靜態(tài)場(chǎng)景的 HyperReel 中，給定一組圖和相機(jī)姿勢(shì)而訓(xùn)練目標(biāo)是重建與每光線相關(guān)的量顏色。大數(shù)場(chǎng)景是由體物體組成，這些物體表面位于 3D 場(chǎng)景體積內(nèi)的一個(gè) 2D 流形上。在這種情況，只有一小分樣本點(diǎn)會(huì)響每條光線渲染顏色。此，為了加體積渲染，究人員希望對(duì)非零的點(diǎn)查詢顏色和透明度。如圖所示，研人員使用前網(wǎng)絡(luò)來預(yù)測(cè)組樣本位置具體來說，是使用樣本測(cè)網(wǎng)絡(luò)，將線映射到樣點(diǎn)，以獲取積等式 2 中的渲染。里，研究人使用 Plucker 的參數(shù)化來表光線。但是其中有一個(gè)題：給網(wǎng)絡(luò)多的靈活性可能會(huì)對(duì)視合成質(zhì)量產(chǎn)負(fù)面影響。如，如果 (x1, . . . , xn) 是完全任意的點(diǎn)那么渲染可看起來不是視圖?致的為了解決這問題，研究員選擇用樣預(yù)測(cè)網(wǎng)絡(luò)來測(cè)一組幾何元 G1, ..., Gn 的參數(shù)，其中基元的數(shù)可以根據(jù)入射線的不而變化。為得到樣本點(diǎn)將射線與每基元相交。圖 a 所示，給定源自機(jī)原點(diǎn) o 并沿方向 ω 傳播的輸入光線后，研人員首先使 Plucker 坐標(biāo)，重新對(duì)光線行參數(shù)化。圖 b 所示，一個(gè)網(wǎng)絡(luò)此射線作為入，輸出一幾何基元 {}（如軸對(duì)齊的平面和球）和位移矢 {} 的參數(shù)。如圖 c 所示，為了生成用于體渲染的樣本 {}，研究人員計(jì)算了線和幾何基之間的交點(diǎn)并將位移矢添加到結(jié)果。預(yù)測(cè)幾何元的好處是采樣信號(hào)平，易于插值位移矢量為樣點(diǎn)提供了外的靈活性能夠更好地捉到復(fù)雜的線依賴的外。如圖 d 所示，最終研究人員通公式 2 進(jìn)行體積渲染產(chǎn)生一個(gè)像顏色，并根相應(yīng)的觀察果，對(duì)它進(jìn)了監(jiān)督訓(xùn)練基于關(guān)鍵幀動(dòng)態(tài)體積通上述辦法，可以有效地 3D 場(chǎng)景體積進(jìn)行采。如何表征積呢？在靜情況下，研人員使用的內(nèi)存有效的量輻射場(chǎng) (TensoRF) 方法；在動(dòng)態(tài)情況，就將 TensoRF 擴(kuò)展到基于鍵幀的動(dòng)態(tài)積表征。下解釋了從基關(guān)鍵幀的表中，提取動(dòng)的樣本點(diǎn)表的過程。如 1 所示，首先，研究員使用從樣預(yù)測(cè)網(wǎng)絡(luò)輸的速度 {}，將時(shí)間處樣本點(diǎn) {} 平移到最近的關(guān)鍵幀中然后，如圖 2 所示，研究人員查詢時(shí)空紋理的積，產(chǎn)生了個(gè)樣本點(diǎn)的觀特征，然通過公式 10 將其轉(zhuǎn)換成顏色。通這樣的過程研究人員提了每個(gè)樣本的不透明度結(jié)果對(duì)比靜場(chǎng)景的比較此，研究人將 HyperReel 與現(xiàn)有的靜視圖合成方（包括 NeRF、InstantNGP 和三種基于采樣網(wǎng)絡(luò)方法）進(jìn)行比較。DoNeRF 數(shù)據(jù)集DoNeRF 數(shù)據(jù)集包含六個(gè)合成列，圖像分率為 800×800 像素。如表 1 所示，HyperReel 的方法在質(zhì)量上優(yōu)于有基線，并很大程度上高了其他采網(wǎng)絡(luò)方案的能。同時(shí)，HyperReel 是用 vanilla PyTorch 實(shí)現(xiàn)的，可在單 RTX 3090 GPU 上以 6.5 FPS 的速度渲染 800×800 像素的圖像（或者 Tiny 模型實(shí)現(xiàn) 29 FPS 的渲染）。外，與 R2L 的 88 層、256 個(gè)隱藏單元的深度 MLP 相比，研究人員提出 6 層、256 個(gè)隱藏單元的網(wǎng)絡(luò)加 TensoRF 體積骨干的推理度更快LLFF 數(shù)據(jù)集LLFF 數(shù)據(jù)集包含 8 個(gè)具有 1008×756 像素圖像的真實(shí)世界序。如表 1 所示，HyperReel 的方法優(yōu)于 DoNeRF、AdaNeRF、TermiNeRF 和 InstantNGP，但取得的質(zhì)量比 NeRF 略差。由于錯(cuò)誤相機(jī)校準(zhǔn)和入視角的稀性，這個(gè)數(shù)集對(duì)顯式體表征來說是個(gè)巨大的挑。動(dòng)態(tài)場(chǎng)景比較Technicolor 數(shù)據(jù)集Technicolor 光場(chǎng)數(shù)據(jù)集包了由時(shí)間同的 4×4 攝像機(jī)裝置攝的各種室環(huán)境的視頻其中每個(gè)視流中的每張片都是 2048×1088 像素。研究人員將 HyperReel 和 Neural 3D Video 在全圖像分辨率下這個(gè)數(shù)據(jù)集五個(gè)序列（Birthday, Fabien, Painter, Theater, Trains）進(jìn)行比較，個(gè)序列有 50 幀長。如表 2 所示，HyperReel 的質(zhì)量超過了 Neural 3D Video，同時(shí)每個(gè)序列的練時(shí)間僅為 1.5 個(gè)小時(shí)（而不是 Neural 3D 的 1000 多個(gè)小時(shí)），且渲染速度快。Neural 3D Video 數(shù)據(jù)集Neural 3D Video 數(shù)據(jù)集包含 6 個(gè)室內(nèi)多視圖視頻列，由 20 臺(tái)攝像機(jī)以 2704×2028 像素的分辨率攝。如表 2 所示，HyperReel 在這個(gè)數(shù)據(jù)集上的表超過了所有基線方法，括 NeRFPlayer 和 StreamRF 等最新工作特別是，HyperReel 在數(shù)量上超過了 NeRFPlayer，渲染速度是其 40 倍左右；在質(zhì)量上超過 StreamRF，盡管其采用 Plenoxels 為骨干的方法（使用制的 CUDA 內(nèi)核來加快推理速度渲染速度更。此外，HyperReel 平均每幀消耗的內(nèi)存 StreamRF 和 NeRFPlayer 都要少得多。歌 Immersive 數(shù)據(jù)集谷歌 Immersive 數(shù)據(jù)集包含了各室內(nèi)和室外境的光場(chǎng)視。如表 2 所示，HyperReel 在質(zhì)量上比 NeRFPlayer 的要好 1 dB，同時(shí)渲染速度也更。有些遺憾是，HyperReel 目前還沒有到 VR 所要求的渲染度（理想情下為 72FPS，立體聲）。不過，于該方法是 vanilla PyTorch 中實(shí)現(xiàn)的，因可以通過比自定義的 CUDA 內(nèi)核等工作，來一步優(yōu)化性。作者介紹文一作 Benjamin Attal，目前在卡基梅隆機(jī)器研究所攻讀士學(xué)位。研興趣包括虛現(xiàn)實(shí)，以及算成像和顯。參考資料https://arxiv.org/abs/2301.02238https://hyperreel.github.iohttps://hub.baai.ac.cn/view/23146https://twitter.com/DrJimFan/status/1611791338034593793本文來自微信公眾：新智元 （ID：AI_era），編輯：好困 Aeneas