做按摩网站优化天津网络优化的意义
《Keras 3 使用 NeRF 进行 3D 体积渲染》
作者： Aritra Roy Gosthipaty， Ritwik Raha
创建日期： 2021/08/09
最后修改时间： 2023/11/13
描述： 体积渲染的最小实现，如 NeRF 中所示。
在 Colab 中查看
GitHub 源
介绍
在此示例中，我们展示了 Ben Mildenhall 等人的研究论文 NeRF：将场景表示为视图合成的神经辐射场的最小实现。铝。作者提出了一个巧妙的方法 通过对 Volumetric 进行建模来合成场景的新视图 scene 函数。
为了帮助您直观地理解这一点，让我们从以下问题开始：是否可以将 network 图像中像素的位置，并询问 network 预测该位置的颜色？
| 图 1：为图像提供坐标的神经网络 |
| 作为输入，并要求预测坐标处的颜色。 |
神经网络将假设记住（过拟合）这个 图像。这意味着我们的神经网络将对整个图像进行编码 在其权重中。我们可以查询包含每个位置的神经网络， 它最终会重建整个图像。
| 图 2：经过训练的神经网络从头开始重新创建图像。 |
现在出现了一个问题，我们如何扩展这个想法来学习 3D 体积场景？实施与上述类似的过程将 需要了解每个体素 （体积像素）。事实证明，这个 是一项相当具有挑战性的任务。
论文的作者提出了一种简单而优雅的方法来学习 使用场景的一些图像的 3D 场景。他们放弃了使用 体素进行训练。网络学习对体积场景进行建模， 从而生成模型 3D 场景的新视图（图像） 在训练时未显示。
需要完全了解一些先决条件 欣赏这个过程。我们以这样的方式构建示例： 在开始之前，您将拥有所有必需的知识 实现。
设置
import osos.environ["KERAS_BACKEND"] = "tensorflow"# Setting random seed to obtain reproducible results.
import tensorflow as tftf.random.set_seed(42)import keras
from keras import layersimport os
import glob
import imageio.v2 as imageio
import numpy as np
from tqdm import tqdm
import matplotlib.pyplot as plt# Initialize global variables.
AUTO = tf.data.AUTOTUNE
BATCH_SIZE = 5
NUM_SAMPLES = 32
POS_ENCODE_DIMS = 16
EPOCHS = 20
下载并加载数据
数据文件包含图像、摄像机姿势和焦距。 图像是从多个摄像机角度拍摄的，如图 3 所示。npz
| 图 3：多个摄像机角度 |
| 来源：NeRF |
要了解此上下文中的摄像机姿势，我们必须首先允许 我们自己认为相机是现实世界之间的映射 和 2-D 图像。
| 图 4：通过相机进行 3D 世界到 2D 图像的映射 |
| 来源：Mathworks |
考虑以下等式：
其中 x 是 2-D 图像点，X 是 3-D 世界点，P 是相机矩阵。P 是一个 3 x 4 矩阵，它播放 将真实世界对象映射到图像平面的关键作用。
相机矩阵是一个仿射变换矩阵，它是 与 3 x 1 列连接以生成姿势矩阵。此矩阵是 尺寸为 3 x 5，其中第一个 3 x 3 块位于相机的点中 的视图。轴是 或 相机面向前方的位置 。[image height, image width, focal length][down, right, backwards][-y, x, z]-z
| 图 5：仿射变换。 |
COLMAP 帧为 或 。读 更多关于 COLMAP 的信息 这里.[right, down, forwards][x, -y, -z]
# Download the data if it does not already exist.
url = ("http://cseweb.ucsd.edu/~viscomp/projects/LF/papers/ECCV20/nerf/tiny_nerf_data.npz"
)
data = keras.utils.get_file(origin=url)data = np.load(data)
images = data["images"]
im_shape = images.shape
(num_images, H, W, _) = images.shape
(poses, focal) = (data["poses"], data["focal"])# Plot a random image from the dataset for visualization.
plt.imshow(images[np.random.randint(low=0, high=num_images)])
plt.show()
数据管道
现在您已经了解了相机矩阵的概念 以及从 3D 场景到 2D 图像的映射， 我们来谈谈逆向映射，即从 2D 图像到 3D 场景。
我们需要讨论使用光线投射和追踪进行体积渲染， 这些都是常见的计算机图形技术。 本节将帮助您快速掌握这些技术。
考虑一个带有像素的图像。我们通过每个像素发射一条光线 并对射线上的一些点进行采样。射线通常由 其中 是参数的方程式 是 origin 的 ，是单位方向向量，如图 6 所示。Nr(t) = o + tdtod
图 6：其中 t 为 3r(t) = o + td |
在图 7 中，我们考虑一条光线，并在 射线。这些采样点每个都有唯一的位置，并且光线具有 视角 。视角为 特别有趣，因为我们可以穿过单个像素发射光线 以许多不同的方式，每一种都有独特的视角。另一个 这里需要注意的一点是添加到 取样过程。我们为每个样本添加均匀的噪声，以便 样本对应于 continuous 分布。在图 7 中， 蓝点是均匀分布的样本，白点是随机放置在样本之间的。(x, y, z)(theta, phi)(t1, t2, t3)
| 图 7：从射线中采样点。 |
图 8 以 3D 形式展示了整个采样过程，其中 可以看到从白色图像中射出的光线。这意味着每个 像素将具有其相应的光线，并且每条光线将在 不同的点。
| 图 8：从 3D 图像的所有像素拍摄光线 |
这些采样点充当 NeRF 模型的输入。模型为 然后要求预测 RGB 颜色和该颜色的体积密度 点。
| 图 9：数据管道 |
| 来源：NeRF |
def encode_position(x):"""Encodes the position into its corresponding Fourier feature. Args:
x: The input coordinate. Returns:
Fourier features tensors of the position.
"""positions = [x]for i in range(POS_ENCODE_DIMS):for fn in [tf.sin, tf.cos]:positions.append(fn(2.0**i * x))return tf.concat(positions, axis=-1)def get_rays(height, width, focal, pose):"""Computes origin point and direction vector of rays. Args:
height: Height of the image.
width: Width of the image.
focal: The focal length between the images and the camera.
pose: The pose matrix of the camera. Returns:
Tuple of origin point and direction vector for rays.
"""# Build a meshgrid for the rays.i, j = tf.meshgrid(tf.range(width, dtype=tf.float32),tf.range(height, dtype=tf.float32),indexing="xy",)# Normalize the x axis coordinates.transformed_i = (i - width * 0.5) / focal# Normalize the y axis coordinates.transformed_j = (j - height * 0.5) / focal# Create the direction unit vectors.directions = tf.stack([transformed_i, -transformed_j, -tf.ones_like(i)], axis=-1)# Get the camera matrix.camera_matrix = pose[:3, :3]height_width_focal = pose[:3, -1]# Get origins and directions for the rays.transformed_dirs = directions[..., None, :]camera_dirs = transformed_dirs * camera_matrixray_directions = tf.reduce_sum(camera_dirs, axis=-1)ray_origins = tf.broadcast_to(height_width_focal, tf.shape(ray_directions))# Return the origins and directions.return (ray_origins, ray_directions)def render_flat_rays(ray_origins, ray_directions, near, far, num_samples, rand=False):"""Renders the rays and flattens it. Args:
ray_origins: The origin points for rays.
ray_directions: The direction unit vectors for the rays.
near: The near bound of the volumetric scene.
far: The far bound of the volumetric scene.
num_samples: Number of sample points in a ray.
rand: Choice for randomising the sampling strategy. Returns:
Tuple of flattened rays and sample points on each rays.
"""# Compute 3D query points.# Equation: r(t) = o+td -> Building the "t" here.t_vals =