訂閱
糾錯
加入自媒體

圖形學(xué)+深度學(xué)習(xí):來看下神經(jīng)渲染完成的神仙操作!

自由視點視頻合成

自由視點視頻(Free Viewpoint Videos,也稱為 Volumetric Performance Capture)依賴于多相機條件下對于3D形狀和紋理的捕捉。但先前的方法得到的結(jié)果不夠真實,因為高頻細(xì)節(jié)的缺失或紋理的失真使任意場景中精確的重光照困難重重。此外,不精確的幾何估計使得紋理圖像變得模糊;最后,由于真實場景中構(gòu)建時間連續(xù)的三維模型十分困難,對于頭發(fā)和透明物質(zhì)的重建還有很多問題需要解決。

不過好在研究人員通過結(jié)合傳統(tǒng)的重光照方法和高速高精度的深度傳感器,最終克服了上述困難。下圖展示了最新的Relightable系統(tǒng):其捕捉了人體自由視點,重建出幾何模型和反射率圖,并最終實現(xiàn)了能在任意場景中進(jìn)行合成的視覺效果。

此外,神經(jīng)渲染技術(shù)還可用于演員表演的LookinGood系統(tǒng)。通過實時地重渲染,該技術(shù)大幅提升了圖像采集系統(tǒng)的性能:

為了從多視角視頻數(shù)據(jù)中實現(xiàn)自動化的創(chuàng)造、渲染,模擬高質(zhì)量的模擬目標(biāo)模型,研究人員還提出了Neural Volumes系統(tǒng):先把多視角的視頻序列輸入編碼器,將其解碼為半透明的RGB體和對應(yīng)的透明權(quán)重;然后再基于相機穿過這一體積的視線來對模型進(jìn)行渲染,累積出顏色和透明度,完成最終的輸出工作。

學(xué)習(xí)重新打光的神經(jīng)渲染

在新的光照下重新渲染逼真的圖像被稱為relighting,其對于視覺應(yīng)用和虛擬現(xiàn)實、增強現(xiàn)實具有重要作用。目前工業(yè)界使用的方法是基于圖像的重光照,這需要采集不同光照條件下場景的圖像,并基于這些來合成出新光照下的結(jié)果。這種方法被廣泛用于好萊塢視覺特效中,但需要耗費大量的財力、物力、人力、以及定制化的設(shè)備,不便于野外使用。

這時,神經(jīng)渲染技術(shù)就派上了大用途。在該技術(shù)的驅(qū)動下,研究者利用渲染或真實采集的反射場數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,讓工作人員在應(yīng)用少數(shù)圖像的情況下,還能給場景重新打光。

此種方法的實現(xiàn)原理很好理解:通過神經(jīng)渲染技術(shù),研究者能讓系統(tǒng)從少數(shù)幾張圖像中學(xué)習(xí)出場景的光照方向和重光照函數(shù)。在此基礎(chǔ)上,人們也可利用多視角來學(xué)習(xí)場景幾何構(gòu)成以實現(xiàn)更好的重光照。

事實上,該技術(shù)不僅可以應(yīng)用于光照不足的場景,即使在光照條件尚可的環(huán)境下,其對于反射場的學(xué)習(xí)也可達(dá)到提升環(huán)境表現(xiàn)力的渲染效果。比如像下圖這樣:

人體重建渲染

這一部分的研究包括人臉和肢體的重現(xiàn)。針對人臉來說其主要包括生成新的表情、位姿或者語言嘴形等等。而針對人體來說主要包括行為克隆,交互控制等等,來操作目標(biāo)視頻中人物的姿態(tài)、行為和動作等等。

其中一個有趣的應(yīng)用是修改視頻中人說話內(nèi)容的同時,將人物的口型也進(jìn)行相應(yīng)的修改。下圖顯示了Text-based Editing of Talking-h(huán)ead Video,視頻中說話人的文字被改變,對應(yīng)的嘴形也被改變并渲染出了逼真的結(jié)果。

類似的應(yīng)用還包括通過Deferred neural rendering,實現(xiàn)3D情況下的新視角合成與場景編輯:

而在人體重渲染方面,該技術(shù)可以控制目標(biāo)對象的位置、渲染和身體位姿:既可以從源視頻中抽取動作信息控制目標(biāo)姿態(tài),也可利用人體關(guān)節(jié)模型來控制目標(biāo)視頻中主體的行為。

雖然神經(jīng)渲染技術(shù)在各個方面已經(jīng)取得了巨大的突破,成為了圖形學(xué)領(lǐng)域和計算機視覺、機器學(xué)習(xí)領(lǐng)域交融共生的新興方向,但其目前還面臨著泛化性、規(guī)模化、可編輯性以及多模態(tài)數(shù)據(jù)場景表達(dá)能力的限制,還有很大的發(fā)展空間。相信隨著技術(shù)的進(jìn)步,會有更多通用、易用、高效穩(wěn)定的方法被提出,讓神經(jīng)渲染達(dá)到與現(xiàn)代圖形學(xué)一樣的適用范圍的同時,還能激發(fā)其深度學(xué)習(xí)的強大能力。

<上一頁  1  2  
聲明: 本文由入駐維科號的作者撰寫,觀點僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    掃碼關(guān)注公眾號
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯
    x
    *文字標(biāo)題:
    *糾錯內(nèi)容:
    聯(lián)系郵箱:
    *驗 證 碼:

    粵公網(wǎng)安備 44030502002758號