本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
渲染一个精细到头发和皮肤褶皱的龙珠3D手办，有多复杂？
对于经典模型NeRF来说，至少需要同一个相机从特定距离拍摄的100张手办照片。
但现在，一个新AI模型只需要40张来源不限的网络图片，就能把整个手办渲染出来！
这些照片的拍摄角度、远近和亮暗都没有要求，还原出来的图片却能做到清晰无伪影：
甚至还能预估材质，并从任意角度重新打光：
这个AI模型名叫NeROIC，是南加州大学和Snap团队玩出来的新花样。
有网友见状狂喜：
不同角度的照片就能渲染3D模型，快进到只用照片来拍电影……
还有网友借机炒了波NFT（手动狗头）
所以，NeROIC究竟是如何仅凭任意2D输入，就获取到物体的3D形状和性质的呢？
基于NeRF改进，可预测材料光照
介绍这个模型之前，需要先简单回顾一下NeRF。
NeRF提出了一种名叫神经辐射场（neural radiance field）的方法，利用5D向量函数来表示连续场景，其中5个参数分别用来表示空间点的坐标位置（x,y,z）和视角方向（θ,φ）。
然而，NeRF却存在一些问题：
- 对输入图片的要求较高，必须是同一场景下拍摄的物体照片；
- 无法预测物体的材料属性，因此无法改变渲染的光照条件。
这次的NeROIC，就针对这两方面进行了优化：
- 输入图片的场景不限，可以是物体的任意背景照片，甚至是网络图片；
- 可以预测材料属性，在渲染时可以改变物体表面光照效果（可以打光）。
它主要由2个网络构成，包括深度提取网络（a）和渲染网络（c）。
首先是深度提取网络，用于提取物体的各种参数。
为了做到输入场景不限，需要先让AI学会从不同背景中抠图，但由于AI对相机的位置估计得不准确，抠出来的图片总是存在下面这样的伪影（图左）：
因此，深度提取网络引入了相机参数，让AI学习如何估计相机的位置，也就是估算图片中的网友是从哪个角度拍摄、距离有多远，抠出来的图片接近真实效果（GT）：
同时，设计了一种估计物体表面法线的新算法，在保留关键细节的同时，也消除了几何噪声的影响（法线即模型表面的纹路，随光线条件变化发生变化，从而影响光照渲染效果）：
最后是渲染网络，用提取的参数来渲染出3D物体的效果。
具体来说，论文提出了一种将颜色预测、神经网络与参数模型结合的方法，用于计算颜色、预测最终法线等。
其中，NeROIC的实现框架用PyTorch搭建，训练时用了4张英伟达的Tesla V100显卡。
训练时，深度提取网络需要跑6~13小时，渲染网络则跑2~4小时。
用网络图片就能渲染3D模型
至于训练NeROIC采用的数据集，则主要有三部分：
来源于互联网（部分商品来源于网购平台，即亚马逊和淘宝）、NeRD、以及作者自己拍摄的（牛奶、电视、模型）图像，平均每个物体收集40张照片。
那么，这样的模型效果究竟如何呢？
论文先是将NeROIC与NeRF进行了对比。
从直观效果来看，无论是物体渲染细节还是清晰度，NeROIC都要比NeRF更好。
具体到峰值信噪比（PSNR）和结构相似性（SSIM）来看，深度提取网络的“抠图”技术都挺不错，相较NeRF做得更好：
同时，论文也在更多场景中测试了渲染模型的效果，事实证明不会出现伪影等情况：
还能产生新角度，而且重新打光的效果也不错，例如这是在室外场景：
室内场景的打光又是另一种效果：
作者们还尝试将照片数量减少到20张甚至10张，对NeRF和NeROIC进行训练。
结果显示，即使是数据集不足的情况下，NeROIC的效果依旧比NeRF更好。
不过也有网友表示，作者没给出玻璃或是半透明材质的渲染效果：
对AI来说，重建透明或半透明物体确实也确实是比较复杂的任务，可以等代码出来后尝试一下效果。
据作者表示，代码目前还在准备中。网友调侃：“可能中顶会、或者在演讲之后就会放出”。
一作清华校友
论文一作匡正非，目前在南加州大学（University of Southern California）读博，导师是计算机图形学领域知名华人教授黎颢。
他本科毕业于清华计算机系，曾经在胡事民教授的计图团队中担任助理研究员。
这篇文章是他在Snap公司实习期间做出来的，其余作者全部来自Snap团队。
以后或许只需要几张网友“卖家秀”，就真能在家搞VR云试用了。
论文地址：
https://arxiv.org/abs/2201.02533
项目地址：
https://formyfamily.github.io/NeROIC/
