NeRF从入门到放弃4: NeuRAD-针对自动驾驶场景的优化

NeuRAD: Neural Rendering for Autonomous Driving

非常值得学习的一篇文章，几乎把自动驾驶场景下所有的优化都加上了，并且也开源了。

和Unisim做了对比，指出Unisim使用lidar指导采样的问题是lidar的垂直FOV有限，高处的东西打不到，使得lidar FOV外的效果不好。

1 整体框架

2 各项优化

1. CNN decoder

   该方法最先是Unisim中提到的，主要优点是减少计算量，另外对于外插比较好。从该图消融实验的Scen. gen.为FID，表示新视角的和原视角的相似性，可以看出确实CNN对外插的影响最大。

   采样时是基于patch的采样，假设一个pacht的大小是32x32个像素，降采样是。随机采样一个像素点作为中心点，以该点为中心采样96x32个像素，渲染得到的feature，经过反卷积上采样为原来的3倍，即96x96。

   推理时，先把图片大小resize为原来的1/3，渲染得到1/3大小的feature，经过反卷积得到原图。

2. Rolling shutter

   这是自动驾驶场景特殊的地方。

   对相机和ldiar的扫描时间建模。相机的第一行和最后一行不是一个时间，lidar也是如此。相机高速运动的时候，一幅图里的每行像素的时间是不一样的，其相机原点也不一样。但是我们建模的时候，却认为一张图片里所有的像素都是同一个时间，也就是这一帧的位姿和时间戳。

   所以作者为每条射线都额外加了时间t的预测，对每条Ray加入一个t，根据ego_motion，调整它们的原点。动态元素的位姿插值到每条ray的时间。

   此处可看issue，需要注意，相机扫描也分为横向和纵向。

3. Apperance embedding

   最早是在NeRF in wild里提到的，因为不同相机的曝光程度不同，每个相机通过一个mlp获得一个embeding。每个sensor学习一个embedding，渲染新视角时使用这些embedding。

4. ray drop probability and intensity using

   返回点云是否击中的概率，以此来丢弃这束光线，如打到天空、玻璃上的，没有返回值。

5. SDF

   SDF的方法最早是在NeuS被应用。什么是SDF，sign distance field，它可以刻画一个表面。他的好处是什么？

   其用法是NeRF的MLP原本是预测每个点的density的，现在不直接预测density了，而是预测一个该点的sdf，然后通过一个计算公式转换成不透明度α，这里的β就是预测的该点的SDF值，初始值设成20，它是一个可学习的参数。

​

3 对比Unisim新视角下的效果

使用FID作为量化指标

4 其他

1. 采样分为三种，背景、Acotr和天空。

​ 在静态场末端和3公里外之间的视差（到传感器原点的距离上的一个）中对这些进行线性采样。也就是说原本每条射线采样32个点，最后一个点（也是最远的一个点）扩展到3000m，实际代码中这个距离是20000m

2. 位姿优化：

​ 加了位姿优化后psnr等值变低，这是因为位姿优化后位姿发生了变化，和ground truth的pose已经不一样，但是还要跟ground truth的图像做对比。本来就不是一个时刻的图片了，也就自然没有了可比性。

3. 挑战性的场景：
   1. 夜晚。夜晚产生炫光，这些本不代表真正的geometroy。
   2. 刹车灯，信号灯，这些是随时间变化的，Nerf可能可以学习出这个关联关系。