NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis (ECCV2020)

 このブログでは，Computer Vision (CV)やComputer Graphics (CG)関連の論文について，（できれば）1日1本簡単に紹介していけれぼと思っています．

ということで，初回は，昨年の3月に論文が公開され，話題となったNeRF: Representing Scenes as Neural Radiance Fields for View Synthesisについて簡単に紹介しようと思います．

https://www.matthewtancik.com/nerf

NeRFはarXivに論文が公開されたのは2020年3月でしたが，発表自体は2020年8月のEuropean Conference on Computer Vision (ECCV)でした．ただし，早々にコードもgithubに公開されていたことから，2021年3月現在でかなり多くの発展手法が提案されています．

https://github.com/yenchenlin/awesome-NeRF

また，NeRFの著者自身も，NeRFの改良手法を色々と提案しています．（このスピード感は凄まじい．．．）

https://jonbarron.info/

NeRFは新視点画像生成の研究で，従来の新視点画像生成と異なり，対象となるシーンの3次元形状を陽に求めることなく，対象となる空間の5次元（位置x, y, zと方向θ, Φ）に対応するRadiance Field (色RGBとその透過度σ)をNeural Networkによって学習する手法となっています．


入力としては，複数枚の撮影画像とその画像を撮影したカメラのパラメータ（位置，姿勢などの外部パラメータと焦点距離などの内部パラメータ）となっています．NeRFでは新視点画像生成にVolume Renderingのアルゴリズムを利用することを想定しており，学習時にはデータセットの中からいくつかの視点の画像をGround Truth (GT)の画像として利用し，生成した画像とGT画像が一致するように学習を進めていきます．学習時には，ターゲットとなる視点における各画素に対応する光線上の点をサンプリングし，各サンプル点の位置と視点への方向に応じたRGB-σを推定していきます．この際に，位置，方向をそのまま利用すると生成画像において高周波成分が再現できないという問題が生じるため，NeRFではPositional Encodingという方法を用いて，x, y, z, θ, Φの各パラメータを以下の式を用いて高次元の空間へ写像して利用をしています．


ここで，pが各パラメータに対応し，Lが次元数になっています．NeRFでは，位置に関してはL=10，方向に関してはL=4を採用しています．なので，位置，方向のパラメータは76次元の空間に写像されネットワークに入力されていることになります．Positional Encodingが何故うまくいくのかに関しては，NeRFのFollow up論文である以下のNeurIPS2020の論文で議論がされています．

Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains (NeurIPS2020)

これまでに提案されてきた新視点画像生成の手法と違い，Radiance Fieldを構築することで，視点に依存した照明の変化や半透明な物体の再現が出来るようになることがNeRFのすごいところです．（だぶん）

以下はNeRFの結果動画になります．動画を見る限り，高品質な映像を生成できていることが分かります．


ただし，現状，光線上のサンプリング点毎にRGB-σの値を学習しなければならず，テスト時にも同様にx, y, z, θ, Φに対応するRGB-σを取得する必要があるため，計算コストが大きな問題となります．基本的には画像の枚数や画像の解像度が増えると計算コストがどんどんと増えていきます．単純なシーンで学習した場合にも，多くの場合で数時間から数日程度学習に時間を要します．また，テスト時のレンダリングもリアルタイムのレンダリングはかなり難しい状況となっています．なので，NeRFに関しては，比較的小規模のシーン，かつ，インタラクティブな視点の操作を必要としないオフラインのアプリケーションに限定されているという状況です．

これらの問題を解決するためのアルゴリズムが最近色々と出てきているので，それらについては次回以降で紹介できればと思います．

コメント

コメントを投稿

このブログの人気の投稿

COLMAPでキャリブレーション済みのデータを使う

イメージ
COLMAPで三次元復元を行う際に既知のカメラパラメータを利用する方法についてメモしておく。多くの場合、SfMでカメラパラメータも含めて推定することで十分だが、例えばCMUの Panoptic dataset のようにカメラキャリブレーション結果が提供されているようなものに対して、COLMAPを適用してみたい場合は提供されているカメラパラメータを利用する方が良い場合がある。実際に、Panoptic datasetでCOLMAPを実行するとマッチングが上手くいかず推定に失敗する場合が多くある。 既知のカメラパラメータを利用する方法については、COLMAPのFAQの中で回答があるので、ここにある通りにcamera.txt, images.txt, point3D.txtを準備すると良い。 Reconstruct sparse/dense model from known camera poses https://colmap.github.io/faq.html#reconstruct-sparse-dense-model-from-known-camera-poses 以下はCOLAMPで画像群を読み込み、特徴点の対応関係の取得まで終わっている（マッチング結果のデータベースhogehoge.dbがある）ことを前提としている。 camera.txtの生成 camera.txtには各カメラのカメラモデルおよびカメラ内部パラメータを記載する。フォーマットは以下の通り。 カメラID カメラモデル 解像度x 解像度y fx fy cx cy 歪パラメータ 内部パラメータの表現については利用するカメラモデルに依存するので、以下のURLを参照しながら必要に応じて使い分ける。 Camera Models https://colmap.github.io/cameras.html camera_models.h https://colmap.github.io/cameras.html image.txtの生成 image.txtには各画像に対応するカメラ外部パラメータを記載する。フォーマットは以下の通り。 画像ID qw qx qy qz tx ty tz カメラID　画像ファイル名 ここで(qw, qx, qy, qz)は3次元回転のクウォータニオン表現で(tx, ty, tz)は
続きを読む

5点アルゴリズムによるカメラ位置・姿勢の推定

2枚の画像間のカメラ位置・姿勢を推定する際に、それぞれの画像を撮影したカメラの内部パラメータが既知の場合には5点アルゴリズムが利用できる。OpenCVにも5点アルゴリズムでカメラ位置・姿勢を推定するための関数 cv::findEssentialMat が用意されている。 使い方は、対応点の座標を以下のように指定するだけ。 cv::Mat essentialMat = cv::findEssentialMat(p1, p2); ただし、デフォルトでは焦点距離1.0、画像中心座標(0, 0)で計算するようになっているので、下記のコードのように内部パラメータ行列を用いて座標変換を行うか焦点距離、画像中心座標を指定する必要がある。座標変換を行わずに利用したい場合は、焦点距離、画像中心座標を第3,4引数に設定すれば良い。 推定したEssential Matrixからカメラの並進と回転を求めるためには、 cv::recoverPose で並進ベクトルと回転ベクトルに分解することができる。 以下のように、2枚の画像から対応点を求めて、5点アルゴリズムでカメラ位置・姿勢を推定することができる。 #include <iostream> #include <vector> #include <opencv2/opencv.hpp> #include <opencv2/nonfree.hpp> int main(int argc, char** argv) {   cv::initModule_nonfree(); //モジュールの初期化   //カメラパラメータの読み込みとレンズ歪の除去   cv::Mat img1; //入力画像1   cv::Mat img2; //入力画像2   cv::Mat K;   cv::Mat distCoeffs;   cv::FileStorage fs("camera.xml", CV_STORAGE_READ);   fs["intrinsicMat"] >> K;   fs["distCoeffs"] >> distCoeffs;   cv::undistort(cv::imrea
続きを読む

2D-3D対応からのカメラ位置・姿勢の推定

画像からの三次元復元処理や拡張現実感のための位置合わせ処理において、画像を撮影したカメラの位置・姿勢が必要になることがある。ここでは、カメラの内部パラメータ（焦点距離、画像中心座標、アスペクト比など）は既知とし、カメラの外部パラメータ（並進と回転）を求める方法を紹介する。 カメラの位置・姿勢は、三次元位置が既知の点Pとその画像上での観測座標pの複数の対応から求めることが出来る。このような問題はPerspective-n-Pont Problem（PnP問題）として知られている。OpenCVにはPnP問題を解くための関数cv::SolvePnPが用意されている。この関数の入力は三次元位置が既知の点の配列(objectPoints)とその画像上での観測座標の配列(imagePoints)、カメラの内部パラメータ行列、歪係数を入力とし、カメラの外部パラメータ（回転ベクトル、並進ベクトル）を推定する。 対応点の組み合わせに誤対応が含まれている場合は、cv::SolvePnPRansacを用いることでロバスト推定手法であるRANSACを用いた誤対応の排除が可能である。 また、推定手法としてLevenberg-Marquardt法による最適化(cv::ITERATIVE)や高速な推定手法であるEPnP(cv::EPNP)を選択することができる。経験的にはcv::ITERATIVEの方が安定した推定を実現できるように思う。 さらに、回転ベクトル、並進ベクトルの初期値が得られている場合には、第7引数をtrueにし、出力用のrvec, tvecに値を設定しておくことで、最適化の際の初期値として使用することができる。拡張現実感などの場合には、直前のフレームでの推定結果などを初期値として用いることで推定結果の安定性を向上させることができる。 #include <iostream> #include <vector> #include <opencv2/opencv.hpp> void genRT(cv::Mat& rvect, cv::Mat& tvect); void getCorrespondingPairs(cv::Mat K, cv::Mat d, cv::Mat rvec, cv::Mat tvec, std:
続きを読む