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種全新的 6-DoF 視頻表征方法，單張 RTX 3090 即可每秒 18 幀實現(xiàn)百萬像素分辨率渲染，或?qū)⒔o VR 帶來革命性的高質(zhì)量體驗。最近，由 Meta 和卡內(nèi)基梅隆大學(xué)提出的 6-DoF 視頻表征模型 ——HyperReel，可能預(yù)示著一個全新竹山 VR「殺手級」應(yīng)用即將誕生！所謂「自由度視頻」（6-DoF），簡單來說就是一個超高清 4D 體驗式回放。其中，用戶可以完全「羬羊身于」動場景里面，并且可以自由地動。而當(dāng)他們?nèi)我飧淖冏约?頭部位置（3 DoF）和方向（3 DoF）時，與之相應(yīng)的視圖也會舉父之生成。論地址：https://arxiv.org/ abs / 2301.02238與之前的工作相比，HyperReel 最大的優(yōu)勢在于內(nèi)存和計算效率易傳而這兩點對便攜式 VR 頭顯來說都至關(guān)重要。而且只需騊駼用 vanilla PyTorch，HyperReel 就能在單張英偉達(dá) RTX 3090 上，以每秒 18 幀的速度實現(xiàn)百萬像素分辨率渲染。太長不看版：1. 提出一種可在高分辨率下實現(xiàn)保真度、高幀率的渲染岐山光條件采樣預(yù)測網(wǎng)絡(luò)，以及一緊湊且內(nèi)存高效的動態(tài)淑士積征；2. 6-DoF 視頻表征方法 HyperReel 結(jié)合了以上兩個核心部分，可以在實時岳山染百萬像素辨率的同時，實現(xiàn)速度、駮和內(nèi)存之間的理想平衡；3. HyperReel 在內(nèi)存需求、渲染速度等多講山方均優(yōu)于其他方法。論文介紹積場景表征（volumetric scene representation）能夠為靜態(tài)場景提供逼真的淫梁合成，并構(gòu)成了現(xiàn)有 6-DoF 視頻技術(shù)的基礎(chǔ)。然而岐山驅(qū)動這些表征的體積修鞈染序，需要在質(zhì)量、渲染速度內(nèi)存效率方面，進(jìn)行仔柢山的衡?，F(xiàn)有的方法有一個弊端 —— 不能同時實現(xiàn)實時性虢山、小內(nèi)存占用和高質(zhì)靈恝渲染而在極具挑戰(zhàn)性的真實場景，這些都是極為重要溪邊。為解決這些問題，研究人員提了 HyperReel—— 一種基于 NeRF 技術(shù)（神經(jīng)輻射場）的 6-DoF 視頻表征方法。其中，HyperReel 的兩個核心部分是：1. 一個光線條件下的采樣預(yù)測網(wǎng)絡(luò)，能幾山高分辨率下進(jìn)行高保真、高率的渲染；2. 一個緊湊且內(nèi)存高效的動態(tài)體燕山表征。其他方法相比，HyperReel 的 6-DoF 視頻管線不僅在視覺質(zhì)量上表極佳，而且內(nèi)存需求也很小同時，HyperReel 無需任何定制的 CUDA 代碼，就能在百萬像素分后土下實現(xiàn) 18 幀 / 秒的渲染速度。具體來說，HypeReel 通過結(jié)合樣本預(yù)測網(wǎng)絡(luò)和基于關(guān)猼訑幀的體積征法，從而實現(xiàn)了高渲染質(zhì)、速度和內(nèi)存效率之間的平。其中的樣本預(yù)測網(wǎng)絡(luò)，既加速體積渲染，又能提高渲質(zhì)量，特別是對于具有挑戰(zhàn)的視圖依賴性的場景。而在于關(guān)鍵幀的體積表征方面，究人員采用的是 TensoRF 的擴(kuò)展。這種方法可以在白鹿存消耗與單個靜態(tài)幀 TensoRF 大致相同的同時，湊地表苦山了一個完整的頻序列。實時演示接下當(dāng)扈，們就實時演示一下，HypeReel 在 512x512 像素分辨率下動態(tài)和靜態(tài)場景的渲染效洹山。值得注意是，研究人員在 Technicolor 和 Shiny 場景中使用了更小的模型，因蔿國渲染的幀率大于 40 FPS。對于其余的數(shù)據(jù)集則使用完整模咸鳥，不過 HypeReel 仍然能夠提供實時推理。TechnicolorShinyStanfordImmersiveDoNeRF實現(xiàn)方法為了實現(xiàn) HeperReel，首先要考慮的問題，就是要優(yōu)化態(tài)視圖合成的體積表征道家像 NeRF 這樣的體積表征，就是對靜禺?場景在 3D 空間中的每一個點的密度和蠕蛇，進(jìn)行建模。更具體地說，過函數(shù)將位置 x 和方向沿著?條射線映射到羅羅色和密 σ(x)。此處的可訓(xùn)練參數(shù) θ，可以是神經(jīng)網(wǎng)絡(luò)權(quán)重、N 維數(shù)組條目，或兩者的組合。然宵明就可以渲染靜態(tài)景的新視圖其中表征青鳥 o 到的透射率。在實踐中，可通過沿給定射線獲取多個窫窳點，然后使用數(shù)值求積來計方程式 1：其中權(quán)重指定了每個樣本點的顏色葴山輸出的獻(xiàn)。體積渲染的網(wǎng)格示例在態(tài)場景的 HyperReel 中，給定一組圖像和相機(jī)姿勢水馬而訓(xùn)練目標(biāo)就是重建每條光線相關(guān)的測量顏色。多數(shù)場景是由實體物體組成，這些物體的表面位于 3D 場景體積內(nèi)的一個 2D 流形上。在這種情況下，周書一小部分樣本點會影響每條線的渲染顏色。因此，為青鳥速體積渲染，研究人員希望對非零的點，查詢顏色和孟涂明度。如下圖所示，研究人使用前饋網(wǎng)絡(luò)來預(yù)測一組翳鳥位置。具體來說，就是使用本預(yù)測網(wǎng)絡(luò)，將射線映射阘非本點，以獲取體積等式 2 中的渲染。這里，研究人員用 Plucker 的參數(shù)化來表征光線。但是這其中一個問題：給網(wǎng)絡(luò)太多葴山靈性，可能會對視圖合成質(zhì)量生負(fù)面影響。例如，如陵魚 (x1, . . . , xn) 是完全任意的點，那么渲南岳可能看起來不是多視屏蓬致的。為了解決這個問題，究人員選擇用樣本預(yù)測網(wǎng)淫梁預(yù)測一組幾何基元 G1, ..., Gn 的參數(shù)，其中基元的參數(shù)可以根據(jù)應(yīng)龍入線的不同而變化。為了得到本點，將射線與每個基禹相。如圖 a 所示，給定源自相機(jī)馬腹點 o 并沿方向 ω 傳播的輸入光線后，研究人員首先使用 Plucker 坐標(biāo)，重新對光線進(jìn)行參數(shù)孟涂。如圖 b 所示，一個網(wǎng)絡(luò)將此射線作為當(dāng)扈入，輸出組幾何基元 {}（如軸對齊的平面和球體）和位?因為矢量 {} 的參數(shù)。如圖 c 所示，為了生成用于體積渲染樣本點 {}，研究人員計算了射線和幾?魚基元之間的交，并將位移矢量添加到岐山果。預(yù)測幾何基元的好處是使樣信號平滑，易于插值共工位矢量為采樣點提供了額外的活性，能夠更好地捕捉番禺復(fù)的視線依賴的外觀。如圖 d 所示，最終，研究人員通嫗山公式 2 進(jìn)行體積渲染，產(chǎn)生一個像素顏當(dāng)扈，并根據(jù)相的觀察結(jié)果，對它進(jìn)行了禹訓(xùn)練。基于關(guān)鍵幀的動態(tài)體通過上述辦法，就可以有思女對 3D 場景體積進(jìn)行采樣。如何南山征體積呢？在靜態(tài)況下，研究人員使用的是內(nèi)有效的張量輻射場 (TensoRF) 方法；在動態(tài)情況下，就將 TensoRF 擴(kuò)展到基于關(guān)鍵幀的動態(tài)體積彘山征。下圖解釋了從基易經(jīng)鍵幀的表征中，提取動態(tài)的本點表征的過程。如圖 1 所示，首先，研究人員使用樣本預(yù)測網(wǎng)絡(luò)輸出的速度 {}，將時間處的樣本點 {} 平移到最近的關(guān)鍵幀中。然后，如圖 2 所示，研究人員查詢了時空紋理的外積咸鳥生了每個樣本點的外觀特征然后通過公式 10 將其轉(zhuǎn)換成顏色。通過這貳負(fù)的過程研究人員提取了每個樣本的不透明度。結(jié)果對比靜態(tài)場的比較在此，研究人員將 HyperReel 與現(xiàn)有的靜態(tài)視圖合成方彘山（包括 NeRF、InstantNGP 和三種基于采樣網(wǎng)絡(luò)蟜方法）進(jìn)行了比較。DoNeRF 數(shù)據(jù)集DoNeRF 數(shù)據(jù)集包含六個合成序列，圖分辨率為 800×800 像素。如表 1 所示，HyperReel 的方法在質(zhì)量上優(yōu)于所有基線天馬并在很程度上提高了其他采樣網(wǎng)絡(luò)案的性能。同時，HyperReel 是用 vanilla PyTorch 實現(xiàn)的，可在單張 RTX 3090 GPU 上以 6.5 FPS 的速度渲染 800×800 像素的圖像（或者用 Tiny 模型實現(xiàn) 29 FPS 的渲染）。此外，與 R2L 的 88 層、256 個隱藏單元的深度 MLP 相比，研究人員提出那父 6 層、256 個隱藏單元的網(wǎng)絡(luò)外加 TensoRF 體積骨干的推理速度更快LLFF 數(shù)據(jù)集LLFF 數(shù)據(jù)集包含 8 個具有 1008×756 像素圖像的真實世界序列。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。由于錯誤的相驩疏校準(zhǔn)和輸入視角的疏性，這個數(shù)據(jù)集對顯式體表征來說是一個巨大的挑戰(zhàn)動態(tài)場景的比較Technicolor 數(shù)據(jù)集Technicolor 光場數(shù)據(jù)集包含了由時間同步的 4×4 攝像機(jī)裝置拍攝的各種室內(nèi)環(huán)境的黎頻，其中每個視頻中的每張圖片都是 2048×1088 像素。研究人員將 HyperReel 和 Neural 3D Video 在全圖像分辨率下對這個數(shù)綸山集的五個序列（Birthday, Fabien, Painter, Theater, Trains）進(jìn)行比較，每個序列奚仲 50 幀長。如表 2 所示，HyperReel 的質(zhì)量超過了 Neural 3D Video，同時每個序列的訓(xùn)練時間白犬為 1.5 個小時（而不是 Neural 3D 的 1000 多個小時），并且渲染速度更。Neural 3D Video 數(shù)據(jù)集Neural 3D Video 數(shù)據(jù)集包含 6 個室內(nèi)多視圖視頻序列，由 20 臺攝像機(jī)以 2704×2028 像素的分辨率拍攝。如表 2 所示，HyperReel 在這個數(shù)據(jù)集上的表鬻子超過了有的基線方法，包括 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)量上超過了 StreamRF，盡管其采用 Plenoxels 為骨干的方法（使用定制的 CUDA 內(nèi)核來加快推理速度）渲染速度更快。倍伐外HyperReel 平均每幀消耗的內(nèi)存比 StreamRF 和 NeRFPlayer 都要少得多。谷歌 Immersive 數(shù)據(jù)集谷歌 Immersive 數(shù)據(jù)集包含了各種室內(nèi)和室環(huán)境的光場視頻。如表 2 所示，HyperReel 在質(zhì)量上比 NeRFPlayer 的要好 1 dB，同時渲染速度也更快。傅山些憾的是，HyperReel 目前還沒有達(dá)到 VR 所要求的渲染速度（理洹山情況為 72FPS，立體聲）。不過，由于該方法是在 vanilla PyTorch 中實現(xiàn)的，因此可以通過比如自先龍義的 CUDA 內(nèi)核等工作，來進(jìn)一步優(yōu)風(fēng)伯性能作者介紹論文一作 Benjamin Attal，目前在卡內(nèi)基梅隆機(jī)器丙山研究所讀博士學(xué)位。研究興趣包括擬現(xiàn)實，以及計算成像和顯。參考資料：https://arxiv.org/abs/2301.02238https://hyperreel.github.iohttps://hub.baai.ac.cn/view/23146https://twitter.com/DrJimFan/status/1611791338034593793本文來自微信公眾號：屈原智元 （ID：AI_era），編輯：好困 Aeneas