當 4K 畫質、60 幀影片在某些 APP 上還只能開會員觀看時，AI 研究者已經把 3D 動態合成影片做到了 4K 級別，而且畫面相當流暢。
在現實生活中，我們接觸的大多數影片都是 2D 的。在觀看這種影片時，我們是沒有辦法選擇觀看視角的，例如走到演員中間，或是走到空間的某個角落。 VR、AR 設備的出現彌補了這一缺陷，它們提供的 3D 影片允許我們變換視角、甚至隨意走動，沉浸感大大提升。
但是，這種 3D 動態場景的合成一直是個難點，無論是在畫質上還是流暢度上。
最近，來自浙江大學、像衍科技和螞蟻集團的研究者對這個問題發起了挑戰。在一篇題為「4K4D: Real-Time 4D View Synthesis at 4K Resolution」的論文中，他們提出了一種名為4K4D的點雲表示方法，大大提升了高解析度3D動態場景合成的渲染速度。具體來說，使用 RTX 4090 GPU，他們的方法能以 4K 解析度進行渲染，幀率可達80 FPS；以1080p解析度進行渲染時，幀率可達400FPS。整體來看，它的速度是以前方法的30多倍，而且渲染品質達到了SOTA。
以下是論文簡介。
專案連結：https://zju3dv.github.io/4k4d/
動態視圖合成旨在從捕獲的影片中重建動態3D 場景，並建立沉浸式虛擬回放，這是電腦視覺和電腦圖形學中長期研究的問題。這種技術實用性的關鍵在於它能夠以高保真度即時渲染，使其能夠應用於 VR/AR、體育廣播和藝術表演捕捉。傳統方法將動態 3D 場景表示為紋理網格序列，並使用複雜的硬體進行重建。因此，它們通常僅限於受控環境。
最近，隱式神經表示在透過可微渲染從 RGB 視訊重建動態 3D 場景方面取得了巨大成功。例如《Neural 3d video synthesis from multi-view video》將目標場景建模為動態輻射場，利用體渲染合成影像，並與輸入影像進行對比最佳化。儘管動態視圖合成結果令人印象深刻，但由於網路評估昂貴，現有方法通常需要幾秒鐘甚至幾分鐘才能以 1080p 解析度渲染一張影像。
作者表示，他們的核心創新在於 4D 點雲表示和混合外觀模型。具體而言，對於動態場景，他們使用空間雕刻演算法來獲得粗點雲序列，並將每個點的位置建模為可學習向量。他們還引入 4D 特徵網格，為每個點分配特徵向量，並將其輸入 MLP 網絡，以預測點的半徑、密度和球諧函數（SH）係數。 4D 特徵網格自然地在點雲上應用了空間正則化，使得最佳化更加穩健。基於 4K4D，研究者開發了一種可微深度剝離演算法，利用硬體光柵化實現前所未有的渲染速度。
研究者發現，基於 MLP 的 SH 模型難以表示動態場景的外觀。為了緩解這個問題，他們還引入了一個影像混合模型來與 SH 模型結合，以表示場景的外觀。一個重要的設計是，他們使圖像混合網路獨立於觀看方向，因此可以在訓練後預先計算，以提高渲染速度。作為一把雙刃劍，該策略使影像混合模型沿著觀看方向離散。使用連續 SH 模型可以彌補這個問題。與僅使用 SH 模型的 3D Gaussian Splatting 相比，研究者提出的混合外觀模型充分利用了輸入影像擷取的信息，從而有效地提高了渲染品質。
為了驗證新方法的有效性，研究者在多個廣泛使用的多視圖動態新視圖合成資料集上評估了4K4D，包括NHR、ENeRF-Outdoo、DNA- Rendering 和Neural3DV。廣泛的實驗表明，4K4D 不僅渲染速度快了幾個數量級，而且在渲染品質方面也明顯優於 SOTA 技術。使用 RTX 4090 GPU，新方法在 DNA-Rendering 資料集上達到 400 FPS，解析度為 1080p；在 ENeRF-Outdoor 資料集上達到 80 FPS，解析度為 4k。
給定捕獲動態 3D 場景的多視圖視頻，本文旨在重建目標場景並即時地進行視圖合成。模型架構圖如圖2 所示：
接著文中介紹了用點雲建模動態場景的相關知識，他們從4D 嵌入、幾何模型以及外觀模型等角度展開。
4D 嵌入：給定目標場景的粗點雲，本文使用神經網路和特徵網格表示其動態幾何和外觀。具體來說，本文首先定義了六個特徵平面θ_xy、θ_xz、θ_yz、θ_tx、θ_ty 和θ_tz，並採用K-Planes 策略，利用這六個平面來建模一個4D 特徵場Θ(x, t)：
幾何模型：基於粗點雲，動態場景幾何結構透過學習每個點上的三個屬性（ entries）來表示，即位置p ∈ R^3 、半徑r ∈ R 和密度σ ∈ R。然後藉助這些點，計算空間點 x 的體積密度。點位置 p 被建模為可最佳化的向量。透過將 Eq.(1) 中的特徵向量 f 饋送到 MLP 網路中來預測半徑 r 和密度 σ。
外觀模型：如圖2c 所示，本文使用影像混合技術和球諧函數（SH）模型來建立混合外觀模型，其中影像混合技術表示離散視圖外觀c_ibr， SH 模型表示連續的依賴視圖的外觀c_sh。對於第t 訊框處的點x，其在視圖方向d 上的顏色為：
可微深度剝離
本文提出的動態場景表示借助深度剝離演算法可以渲染成影像。
研究者開發了一個自訂著色器來實現由 K 個渲染通道組成的深度剝離演算法。即對於一個特定的像素 u，研究者進行了多步驟處理，最後，經過 K 次渲染後，像素 u 得到一組排序點 {x_k|k = 1, ..., K}。
基於這些點{x_k|k = 1, ..., K}，得到體渲染中像素u 的顏色表示為：
在訓練過程中，給定渲染的像素顏色C (u)，本文將其與真實像素顏色C_gt (u) 進行比較，並使用以下損失函數以端到端的方式優化模型：
除此之外，本文也應用了知覺損失：
##以及掩碼損失：
最終的損失函數定義為：
本文在DNA-Rendering、ENeRF-Outdoor、 NHR 以及Neural3DV 資料集評估了4K4D 方法。
在DNA-Rendering 資料集上的結果如表1 所示，結果顯示，4K4D 渲染速度比具有SOTA 效能的ENeRF 快30 倍，並且渲染品質更好。
在DNA-Rendering 資料集上的定性結果如圖5 所示，KPlanes 無法對4D 動態場景下的詳細外觀和幾何形狀進行恢復，而其他基於圖像的方法產生了高品質的外觀。然而，這些方法往往會在遮蔽和邊緣周圍產生模糊的結果，導致視覺品質下降，相反，4K4D 可以在超過 200 FPS 的情況下產生更高保真度的渲染。
接下來，實驗展示了不同方法在 ENeRFOutdoor 資料集上的定性和定量結果。如表 2 所示，4K4D 在以超過 140 FPS 的速度進行渲染時仍然取得了明顯更好的結果。
而其他方法，如ENeRF 產生了模糊的結果；IBRNet 的渲染結果包含影像邊緣周圍的黑色偽影，如圖3 所示；K-Planse 無法重建動態人體以及不同的背景區域。
表 6 展示了可微深度剝離演算法的有效性，4K4D 比基於 CUDA 的方法快 7 倍以上。
本文也在表 7 中報告了 4K4D 在不同解析度的不同硬體（RTX 3060、3090 和 4090）上的渲染速度。
更多細節請參考原論文。
以上是4K畫質3D合成影片不再卡成投影片，新方法將渲染速度提高了30倍的詳細內容。更多資訊請關注PHP中文網其他相關文章！
