谷歌逆天「夜视」拍照突然火了!完美降噪还能合成3D视角|CVPR 2022

2022 年 8 月 24 日 新智元



  新智元报道  

编辑:好困 Aeneas
【新智元导读】谷歌一年前的论文突然火了!这个名叫RawNeRF的技术,不仅完美降噪,还能改变视角,调整焦点和曝光等等。难道,我们距离超强的夜景拍照相机不远了?

最近,网上一段来自谷歌的AI夜景拍摄视频被刷爆了!



视频中的这个技术叫RawNeRF,顾名思义就是NeRF的一个全新变体。

NeRF是一种全连接神经网络,使用2D图像的信息作为训练数据,还原出3D场景。

RawNeRF比起之前的NeRF,有了多处改进。不仅能完美降噪,还能改变相机视角,调整焦点、曝光和色调映射。

谷歌的这篇论文于2021年11月发表,并被CVPR 2022收录。

项目地址:https://bmild.github.io/rawnerf/

黑夜中的RawNeRF


在此之前,NeRF是使用色调映射的低动态范围LDR图像作为输入。

而谷歌的RawNeRF改为直接在线性原始图像上进行训练,可以保留场景的完整动态范围。

在合成视图领域,处理黑暗的照片一直是一个难题。

因为在这种情况下,图像中的细节极少。而且这些图像让我们很难把新视图拼接到一起。


还好,我们有一个新的方案——使用原始传感器(RAW sensor data)的数据。

就是像这样的一张图,这样,我们就有了更多的细节。

不过,仍然存在一个问题:噪点也多了。


所以我们必须做个选择:是更少的细节和更少的噪点,还是选择更多的细节和更多的噪点。

好消息是:我们可以使用图像降噪技术。


可以看到,降噪之后的图像效果不错,但要合成视图,这种质量还是不够。

不过图像降噪技术给我们提供了一个思路:既然可以给单个图像去噪,那也可以给一组图像去噪。

让我们来看看RawNeRF的效果。


而且,它还有更多令人惊喜的功能:对基础数据进行色调映射,从深色图像中提取更多细节。


比如改变图像的焦点,营造出很棒的景深效果。


更厉害的是,这个还是实时的。


此外,图像的曝光也会随着焦点的变化而产生相应的变化!


接下来,就让我们看看RawNeRF的五个经典的应用场景吧。

五大经典场景


1. 图像清晰度

看这张图像,你能看到路牌上的信息吗?


可以看到,经过RawNeRF处理后,路牌上的信息就清晰多了。

在下面这个动图里,我们可以清晰地看到原始的NeRF技术和RawNeRF在图像合成上的区别。


其实,所谓的NeRF也并不是多古老的技术,时间才刚刚过了2年而已……

看得出来,RawNeRF在高光的处理上,表现得还是非常出色的,我们甚至能看到右下角车牌周围的高光变化。

2. 镜面高光

镜面高光属于非常难捕捉的对象,因为在移动相机时,它们会发生很大的变化,而且照片之间的相对距离也比较远。 这些因素对于学习算法来说,都是巨大的挑战。

在下面这张图中可以看到,RawNeRF所生成的镜面高光可以说是相当还原了。


3. 薄的结构

即使在光线充足的情景中,以前的技术对于栅栏的显示效果也并不好。


而RawNeRF即使处理有一堆栅栏的夜间照片,也妥妥hold得住。

即使在栅栏与车牌重合的地方,效果依然很好。


4. 镜面反光

路面上的反光,是一种更有挑战性的镜面高光。可以看到,RawNeRF也处理得非常自然,非常真实。


5. 改变焦点,调整曝光

在这个场景中,让我们试试改变视角,不断变换焦点,同时调整曝光。


在以前,要完成这些工作,我们需要从25到200张照片的集合。

而现在,我们只需要几秒钟,就可以完成拍摄了。

当然,RawNeRF现在并不完美,我们可以看到,左边的RawNeRF图像和右边的真实照片,还是有一些差异。


不过,从一组充满噪点的原始图像达到现在这样的效果,RAWnerf已经取得相当大的进步了。要知道,两年前的技术还完全做不到这样。

RAW的好处


简单回顾一下,NeRF训练管线所接收的是经过相机处理的LDR图像,之后的场景重建和视图渲染,基于的都是LDR色彩空间。因此,NeRF的输出实际上已经是经过了后期处理的,想要大幅修改和编辑是不可能了。

相比而言,RawNeRF是直接在线性原始HDR输入数据上训练的。由此产生的渲染结果可以像任何原始照片一样进行编辑,如改变焦点和曝光等等。


由此带来的好处主要有两点:HDR视图合成和降噪处理。

在亮度变化极大的场景中,固定的快门速度不足以捕捉到全部动态范围。RawNeRF模型则可以同时对短曝光和长曝光进行优化处理,从而恢复完整的动态范围。

例如(b)中的这种大光比场景,就需要更复杂的局部色调映射算法(例如HDR+后期处理),才能同时保留暗部的细节和室外的高光。

此外,RawNeRF还可以使用线性颜色渲染具有正确饱和的「虚化」亮点的合成失焦效果。


在图像噪点的处理上,作者进一步地将RawNeRF在完全未经处理的HDR线性原始图像上进行了训练,使其变成了一个能处理几十甚至几百张输入图像的「降噪器」。

这种鲁棒性也就意味着,RawNeRF可以出色地完成在黑暗中重建场景的任务。

例如在(a)这个只有一根蜡烛照明的夜景中,RawNeRF可以从嘈杂的原始数据中提取出本来会被后期处理破坏的细节(b,c)。


作者介绍


论文的第一作者Ben Mildenhall是谷歌研究院的一名研究科学家,从事计算机视觉和图形方面的问题。


他在2015年于斯坦福大学取得计算机科学和数学学士学位,并在2020年于加州大学伯克利分校取得计算机科学博士学位。


刚刚结束的CVPR 2022,可以说是Ben的高光时刻了。

7篇录用论文中有5篇拿下Oral,并且还有一篇获得了最佳学生论文的荣誉提名。


网友评论


视频一出,立马惊艳了众网友。大家一起脑洞大开。







看这技术进步的速度,要不了多久,夜间拍照再也不用愁了~

参考资料:
https://bmild.github.io/rawnerf/



登录查看更多
0

相关内容

专知会员服务
38+阅读 · 2021年3月29日
姿势服装随心换-CVPR2019
专知会员服务
34+阅读 · 2020年1月26日
必读的10篇 CVPR 2019【生成对抗网络】相关论文和代码
专知会员服务
31+阅读 · 2020年1月10日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
A note on graphs with purely imaginary per-spectrum
Arxiv
0+阅读 · 2022年11月23日
Arxiv
0+阅读 · 2022年11月22日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员