單目動態場景（Monocular Dynamic Scene）是指使用單眼攝像頭觀察並分析的動態環境，其中場景中的物體可以自由移動。單目動態場景重建對於理解環境中的動態變化、預測物體運動軌跡以及動態數字資產生成等任務至關重要。
隨著以神經輻射場（Neural Radiance Field, NeRF）為代表的神經渲染的興起，越來越多的工作開始使用隱式表徵（implicit representation）進行動態場景的三維重建。儘管基於 NeRF 的一些代表工作，如 D-NeRF，Nerfies，K-planes 等已經取得了令人滿意的渲染質量，他們仍然距離真正的照片級真實渲染（photo-realistic rendering）存在一定的距離。
來自浙江大學、位元組跳動的研究團隊認為，上述問題的根本原因在於基於光線投射（ray casting）的 NeRF pipeline 透過逆向對映（backward-flow）將觀測空間（observation space）對映到規範空間（canonical space）無法實現準確且乾淨的對映。逆向對映並不利於可學習結構的收斂，使得目前的方法在 D-NeRF 資料集上只能取得 30 + 級別的 PSNR 渲染指標。
為了解決這一問題，該研究團隊提出了一種基於光柵化（rasterization）的單目動態場景建模 pipeline，首次將變形場（Deformation Field）與 3D 高斯（3D Gaussian Splatting）結合，實現了高質量的重建與新視角渲染。研究論文《Deformable 3D Gaussians for High-Fidelity Monocular Dynamic Scene Reconstruction》已被計算機視覺頂級國際學術會議 CVPR 2024 接收。值得一提的是，這是首個使用變形場將 3D 高斯擴充到單目動態場景的工作。
專案主頁：https://ingra14m.github.io/Deformable-Gaussians/
論文連結：https://arxiv.org/abs/2309.13101
程式碼：https://github.com/ingra14m/Deformable-3D-Gaussians
實驗結果表明，變形場可以準確地將規範空間下的 3D 高斯前向對映（forward-flow）到觀測空間，不僅在 D-NeRF 資料集上實現了 10 + 的 PSNR 提高，而且在相機位姿不準確的真實場景也取得了渲染細節上的增加：
圖 1 HyperNeRF 真實場景的實驗結果。
相關工作
動態場景重建一直以來是三維重建的熱點問題。隨著以 NeRF 為代表的神經渲染實現了高質量的渲染，動態重建領域湧現出了一系列以隱式表徵作為基礎的工作。D-NeRF 和 Nerfies 在 NeRF 光線投射 pipeline 的基礎上引入了變形場，實現了穩健的動態場景重建。TiNeuVox，K-Planes 和 Hexplanes 在此基礎上引入了網格結構，大大加速了模型的訓練過程，渲染速度有一定的提高。然而這些方法都基於逆向對映，無法真正實現高質量的規範空間和變形場的解耦。
3D 高斯潑濺是一種基於光柵化的點雲渲染 pipeline。其 CUDA 定製的可微高斯光柵化 pipeline 和創新的緻密化使得 3D 高斯不僅實現了 SOTA 的渲染質量，還實現了實時渲染。Dynamic 3D 高斯首先將靜態的 3D 高斯擴充到了動態領域。然而，其只能處理多目場景非常嚴重地制約了其應用於更通用的情況，如手機拍攝等單目場景。
研究思想
Deformable-GS 的核心在於將靜態的 3D 高斯擴充到單目動態場景。每一個 3D 高斯攜帶位置，旋轉，縮放，不透明度和 SH 係數用於影像層級的渲染。根據 3D 高斯 alpha-blend 的公式，不難發現，隨時間變化的位置，以及控制高斯形狀的旋轉和縮放是決定動態 3D 高斯的決定性引數。然而，不同於傳統的基於點雲的渲染方法，3D 高斯在初始化之後，位置，透明度等引數會隨著最佳化不斷更新。這給動態高斯的學習增加了難度。
該研究創新性地提出了變形場與 3D 高斯聯合最佳化的動態場景渲染框架。具體來說，該研究將 COLMAP 或隨機點雲初始化的 3D 高斯視作規範空間，隨後透過變形場，以規範空間中 3D 高斯的座標資訊作為輸入，預測每一個 3D 高斯隨時間變化的位置和形狀引數。利用變形場，該研究可以將規範空間的 3D 高斯變換到觀測空間用於光柵化渲染。這一策略並不會影響 3D 高斯的可微光柵化 pipeline，經過其計算得到的梯度可以用於更新規範空間 3D 高斯的引數。
此外，引入變形場有利於動作幅度較大部分的高斯緻密化。這是因為動作幅度較大的區域變形場的梯度也會相對較高，從而指導相應區域在緻密化的過程中得到更精細的調控。即使規範空間 3D 高斯的數量和位置引數在初期也在不斷更新，但實驗結果表明，這種聯合最佳化的策略可以最終得到穩健的收斂結果。大約經過 20000 輪迭代，規範空間的 3D 高斯的位置引數幾乎不再變化。
研究團隊發現真實場景的相機位姿往往不夠準確，而動態場景更加劇了這一問題。這對於基於神經輻射場的結構來說並不會產生較大的影響，因為神經輻射場基於多層感知機（Multilayer Perceptron，MLP），是一個非常平滑的結構。但是 3D 高斯是基於點雲的顯式結構，略微不準確的相機位姿很難透過高斯潑濺得到較為穩健地矯正。
為了緩解這個問題，該研究創新地引入了退火平滑訓練（Annealing Smooth Training，AST）。該訓練機制旨在初期平滑 3D 高斯的學習，在後期增加渲染的細節。這一機制的引入不僅提高了渲染的質量，而且大幅度提高了時間插值任務的穩定性與平滑性。
圖 2 展示了該研究的 pipeline，詳情請參見論文原文。
圖 2 該研究的 pipeline。
結果展示
該研究首先在動態重建領域被廣泛使用的 D-NeRF 資料集上進行了合成資料集的實驗。從圖 3 的視覺化結果中不難看出，Deformable-GS 相比於之前的方法有著非常巨大的渲染質量提升。
圖 3 該研究在 D-NeRF 資料集上的定性實驗對比結果。
該研究提出的方法不僅在視覺效果上取得了大幅度的提升，在渲染的定量指標上也有著相應的改進。值得注意的是，研究團隊發現 D-NeRF 資料集的 Lego 場景存在錯誤，即訓練集和測試集的場景具有微小的差別。這體現在 Lego 模型鏟子的翻轉角度不一致。這也是為什麼之前方法在 Lego 場景的指標無法提高的根本原因。為了實現有意義的比較，該研究使用了 Lego 的驗證集作為指標測量的基準。
圖 4 在合成資料集上的定量比較。
如圖 4 所示，該研究在全解析度（800x800）下對比了 SOTA 方法，其中包括了 CVPR 2020 的 D-NeRF，Sig Asia 2022 的 TiNeuVox 和 CVPR2023 的 Tensor4D，K-planes。該研究提出的方法在各個渲染指標（PSNR、SSIM、LPIPS），各個場景下都取得了大幅度的提高。
該研究提出的方法不僅能夠適用於合成場景，在相機位姿不夠準確的真實場景也取得了 SOTA 結果。如圖 5 所示，該研究在 NeRF-DS 資料集上與 SOTA 方法進行了對比。實驗結果表明，即使沒有對高光反射表面進行特殊處理，該研究提出的方法依舊能夠超過專為高光反射場景設計的 NeRF-DS，取得了最佳的渲染效果。
圖 5 真實場景方法對比。
圖6 深度視覺化。
作者簡介
論文通訊作者為浙江大學電腦科學與技術學院金小剛教授。
Email: jin@cad.zju.edu.cn
個人主頁：http://www.cad.zju.edu.cn/home/jin/