作者：泡椒味的口香糖

0. 筆者個人體會

這幾年，NeRF可以說已經(jīng)逐漸滲透進了各個領域，新視點合成、三維重建、SLAM等等很多應用都在想方設法得使用NeRF。那么自動駕駛領域呢？雖然在實車上直接邊緣部署NeRF還有難度，但是NeRF可以應用到自動駕駛的場景合成上，再用合成的場景做其他事情！普通場景下的自動駕駛算法其實已經(jīng)做的很好了，但是特殊場景還是很容易出錯。主要還是因為特殊場景下的數(shù)據(jù)集太難找了！自己錄制數(shù)據(jù)也非常麻煩。顯然，NeRF強大的合成能力可以模擬極端場景下的路況，尤其是高動態(tài)場景，也就進一步模擬了真實的自動駕駛場景。

最近，清華、港科大、麥吉爾大學、北理工、新加坡國立、香港大學、帝國理工、浙江大學等11個單位聯(lián)合開源了MARS，也是第一個基于NeRF的自動駕駛開源模擬器。直接模擬真實的自動駕駛RGB、深度圖和語義分割Mask，這項工作具有實例感知、模塊化和真實性等特點，支持多模態(tài)輸入，可用于深度和語義感知組合渲染，已經(jīng)獲得CICAI 2023最佳論文Runner-up獎。今天筆者將帶領大家一起欣賞一下這份工作，當然筆者水平有限，如果有理解不當?shù)牡胤綒g迎一起在「3D視覺從入門到精通」星球內一起探討。

1. 效果展示

先來看一下具體效果！

下面這張圖就是MARS的具體應用，第一行表示合成的圖像（已經(jīng)足夠真實，用來做SLAM或者檢測完全夠用），第二行代表生成的語義分割Mask（可以直接用來做分割任務的訓練），第三行代表生成的深度圖（視覺效果很好，但是很多深度估計的定量效果都不是很準確，可以做一下三維重建驗證），第三行代表生成的動態(tài)前景目標（可以直接在靜態(tài)圖像上生成動態(tài)目標來測試動態(tài)SLAM）。

還可以直接拖動進度條來控制動態(tài)目標的運行軌跡、尺寸、外觀！

?

可以再看一下重建場景和原始RGB圖的對比，可以說幾乎找不到區(qū)別，這里不得不感嘆一下NeRF的強大！

總之，效果非常好。代碼即將開源，感興趣的小伙伴可以關注一下。下面我們來看看具體的文章信息。

2. 摘要

如今，自動駕駛汽車可以在普通情況下平穩(wěn)駕駛，人們普遍認為，真實的傳感器模擬將在通過模擬解決剩余的極端情況方面發(fā)揮關鍵作用。為此，我們提出了一種基于神經(jīng)輻射場(NeRFs)的自動駕駛模擬器。與現(xiàn)有工作相比，我們的工作有三個顯著特點：(1)實例感知。我們的模擬器通過獨立的網(wǎng)絡分別對前景實例和背景環(huán)境進行建模，從而可以分別控制實例的靜態(tài)(例如尺寸和外觀)和動態(tài)(例如軌跡)屬性。(2)模塊化。我們的模擬器允許在不同的現(xiàn)代NeRF相關的主干、采樣策略、輸入模式等之間進行靈活的切換。我們期待這種模塊化的設計能夠推動基于NeRF的自動駕駛仿真的學術進步和產(chǎn)業(yè)部署。(3)真實性。我們的模擬器設置了新的最先進的照片現(xiàn)實主義結果，給出了最佳的模塊選擇。我們的模擬器將是開源的，而我們的大多數(shù)同行都不是。這里也推薦「3D視覺工坊」新課程《深度剖析面向自動駕駛領域的車載傳感器空間同步（標定）》

3. 算法解析

MARS的輸入是RGB圖像、傳感器姿態(tài)（由IMU/GPS解算）、物體軌跡（3D邊界框、類別、實例ID），深度圖和語義分割圖可以在訓練時輔助監(jiān)督。神經(jīng)場構建完成以后，就可以在給定傳感器位姿時模擬RGB圖、深度圖和語義分割Mask，還支持對物體軌跡和外觀的實例編輯。

下面來看看具體的Pipeline。

MARS建模背景節(jié)點和每個前景實例節(jié)點。具體來說，給定射線r，首先計算每個可視物體的3D邊界框的交集來獲取進入和離開距離。然后，背景節(jié)點和前景對象節(jié)點都進行query，而每個節(jié)點都會采樣一組3D點集，并使用其具體的神經(jīng)表征網(wǎng)絡來獲取點屬性（RGB、密度、語義信息）。對于物體節(jié)點，根據(jù)對象軌跡將射線原點和方向從世界空間轉換到實例幀。對于背景節(jié)點，直接像傳統(tǒng)NeRF那樣推理屬性，最后，對來自背景和前景節(jié)點的所有射線樣本進行合成和渲染，以產(chǎn)生像素級的NeRF結果。

那這里的模塊化是什么意思呢？

其實就是說針對靜態(tài)背景和動態(tài)前景對象采用不同的NeRF框架，MARS將場景分解為一個大規(guī)模無界的NeRF和多個以物體為中心的NeRF。當然筆者覺得模塊化還有另一個意思，就是MARS可以支持各種NeRF主干，包括基于MLP的和基于網(wǎng)格的，還支持各種各樣的采樣策略。

注意，靜態(tài)背景和動態(tài)前景對象的特性是不同的，而現(xiàn)在很多的NeRF都是針對兩者使用統(tǒng)一的框架，這顯然是不太對的。而MARS就很巧妙得為背景和前景對象設計了模塊化的不同設計，并且可以很容易結合最新的重建方法。MARS的模塊化設計還使用了很多的trick，比如使用unbounded scene warping來表征圖像中的遠距離區(qū)域。

MARS的采樣方法很有意思。因為背景和前景對象的獨立采樣的，因此很可能會出現(xiàn)背景樣本落在前景邊界框的情況。渲染之后就會把前景樣本誤分類為背景，這樣的話，去除前景實例以后背景就會出現(xiàn)鬼影。理論上輸入足夠多的視角圖像，網(wǎng)絡可以在訓練過程中自動學習分區(qū)前景和背景。但是對于一個數(shù)據(jù)驅動的模擬器來說，車輛在道路上快速移動，獲取豐富且高質量的多視角圖像非常困難。

那么怎么解決呢？

這里是使用了正則化策略來最小化背景截斷樣本的密度和，其中P代表背景截斷樣本：

這樣就很好得解決了鬼影問題。

?

4. 實驗結果

實驗主要是在KITTI和V-KITTI數(shù)據(jù)集進行的，作者目前也沒有公布訓練使用了多少GPU。對于具體的網(wǎng)絡架構，作者的默認配置是：針對背景節(jié)點使用基于網(wǎng)格的NeRF和proposal sampler，針對前景對象節(jié)點使用改進的類別級表征和由粗到精的采樣。這里簡單提一句proposal sampler，來源于2022 CVPR論文"Mip-NeRF 360: Unbounded Anti-Aliased Neural Radiance Fields"，主要思想是從無輻射NeRF模型中蒸餾密度場來生成射線樣本。

模型訓練了20萬次迭代，每個batch有4096條射線，使用RAdam優(yōu)化器，靜態(tài)背景的學習率從1e-3降低到1e-5，動態(tài)前景對象的學習率從5e-3降低到1e-5，主要對比的baseline也就是原始的NeRF和各種NeRF變體。

根據(jù)圖像重建的定量對比結果，可以發(fā)現(xiàn)MARS相較于其他SOTA方法有了很大的提升。

下面是新視點合成的定量對比結果，使用75 %的訓練數(shù)據(jù)，MARS在V-KITTI上可以達到29.79的PSNR，而之前的最優(yōu)結果為23.87，提升非常明顯。

定性實驗結果也很漂亮，可以發(fā)現(xiàn)針對動態(tài)場景，其他的NeRF都會不同程度得出現(xiàn)鬼影，但是MARS可以穩(wěn)定合成靜態(tài)背景和動態(tài)前景對象。

?

感覺實例編輯是MARS中很有意義的一個工作，由于MARS是分別建模靜態(tài)背景和動態(tài)前景對象，因此可以以實例感知的方式編輯場景（好神奇）。具體來說，可以定性得刪除實例、添加新實例、還可以編輯車輛軌跡！

消融實驗驗證了不同的設計模式對背景節(jié)點表示、前景節(jié)點表示等方面的影響。這里也有一個比較重要的點，以前的工作都是在90張圖像的短序列上評估，但是MARS使用了完整的序列來評估。筆者覺得很好的一點是，MARS分別驗證了基于MLP和網(wǎng)格的模型，這個工作量還是挺大的。

5. 總結

MARS這篇文章提出了一個基于NeRF的有真實感的模塊化自動駕駛仿真框架，可以直接生成自動駕駛場景下的RGB圖像、深度圖和語義分割Mask，還可以單獨生成前景動態(tài)對象以及實例編輯。MARS由一個背景節(jié)點和多個前景節(jié)點組成，實現(xiàn)了復雜動態(tài)場景的建模，整個Pipeline在數(shù)據(jù)集上展現(xiàn)了SOTA的渲染性能。

至于局限性，作者也提到了MARS不能達到實時渲染，這個也是NeRF的固有問題。而且，MARS沒有考慮玻璃或其他反射材料上的動態(tài)鏡面效應，這有可能會產(chǎn)生鬼影。

編輯：黃飛

?