自打伯克利和谷歌联合打造的 NeRF 横空出世，江湖上静态图变动图的魔法就风靡开来。

不过，想要像这样依靠 AI 来简化 3D 动态效果的制作，算力开销可不小:

以 NeRF 为例，想要在 1440×1600 像素、90Hz 的 VR 头盔中实现实时渲染，需要 37 petaFLOPS（每秒 10^15 次浮点运算）的算力 —— 这在目前的 GPU 上根本不可能实现。

怎么降低点计算复杂度？

现在，来自奥地利格拉兹科技大学和 Facebook 的研究人员，就想出一招:引入真实深度信息。

就这一下，很快的，推理成本最高能降低 48 倍，并且只用 1 个 GPU，就能以每秒 20 帧的速度实现交互式渲染。

画质什么的，也没啥影响，甚至还能有所提升:

具体是怎样一招，咱们往下接着聊。

基于深度预言网络的 NeRF

首先需要说明的是，NeRF，即神经辐射场（neural radiance field）方法，是沿相机射线采样 5D 坐标，来实现图像合成的。

也就是说，在 NeRF 的渲染过程中，需要对每条射线都进行网络评估，以输出对应的颜色和体积密度值等信息。

这正是造成 NeRF 在实时渲染应用中开销过大的主要原因。

而现在，格拉兹科技大学和 Facebook 的研究人员发现，引入真实深度信息，只考虑物体表面周围的重要样本，每条视图射线（view ray）所需的样本数量能够大大减少，并且不会影响到图像质量。

基于此，他们提出了 DONeRF。

DoneRF 由两个网络组成，其一，是 Sampling Oracle Network，使用分类法来预测沿视图射线的最佳采样位置。

具体来说，这个深度预言网络通过将空间沿射线离散化，并预测沿射线的采样概率，来预测每条射线上的多个潜在采样对象。

如下图所示，3 个颜色通道编码了沿射线的 3 种最高采样概率，灰度值表明其中可能只有一个表面需要被采样，而彩色数值则表明这些样本需要在深度上展开。

其二，是一个着色网络，使用类似于 NeRF 的射线行进累积法来提供 RGBA 输出。

为了消除输入的模糊性，研究人员还将射线转换到了一个统一的空间，并使用非线性采样来追踪接近的区域。

另外，在两个网络之间，研究人员对局部采样进行扭曲，以使着色网络的高频预测被引导到前景上。

本文还引入了视图单元（view cell）的概念。一个视图单元被定义为一个具有主要方向和最大视角的边界框。

简单来说，这个边界框能够捕捉到所有源于框内、并且在一定旋转范围内的视图射线。

利用这样的方法，就可以对大场景进行分割，解决 NeRF 没有办法应用于大场景的问题。

此外，较小的视图单元减少了场景中的可见内容，因此可能会进一步提高成像质量。

对比结果

所以，DoneRF 相较于前辈 NeRF，到底能快多少?

不妨直接来看对比结果。

在相似的质量下，NeRF 总共使用了 256 个样本。而 DoneRF 只用到了 4 个样本，在速度上可以实现 20-48 倍的提升。

并且在成像细节方面，DoneRF 的图像边缘更为清晰。

研究人员还指出，在 16 个样本的情况下，从峰值信噪比（PSNR）来看，几乎所有场景中 DoneRF 都超越了 NeRF。

传送门

论文地址:

/abs/21

项目地址:

/