读者理解：LEAP泛化到新的物体类别和场景

摄像机姿态对于多视角三维建模是否必要？现有的方法主要假设可以获得准确的摄像机姿态。虽然这个假设对于密集视图可能成立，但对于稀疏视图，准确估计摄像机姿态常常是困难的。作者的分析显示，噪声估计的姿态会导致现有稀疏视图三维建模方法的性能下降。为了解决这个问题，作者提出了LEAP，一种新颖的无姿态方法，挑战了摄像机姿态不可或缺的普遍观念。LEAP舍弃了基于姿态的操作，从数据中学习几何知识。LEAP配备了一个神经体积，该体积在场景之间共享，并且通过参数化编码几何和纹理先验。对于每个输入的场景，作者通过按特征相似性驱动的方式聚合2D图像特征来更新神经体积。更新后的神经体积被解码为辐射场，从而可以从任意视点合成新的视图。通过对物体为中心和场景级别的数据集进行实验，作者展示了LEAP在使用最先进的姿态估计器预测的姿态时显著优于先前的方法。值得注意的是，LEAP的性能与使用真实姿态的先前方法相当，同时比PixelNeRF运行速度快400倍。作者还展示了LEAP泛化到新的物体类别和场景，并且学习的知识与极线几何密切相关。

读者理解：

LEAP方法：一种新的三维建模方法，可以从稀疏的视图中重建高质量的三维模型，而不需要知道相机的姿态（位置和方向）。这种方法利用了深度神经网络和几何约束，可以处理任意数量和分布的视图，甚至是单张图片。

与现有的三维建模方法相比，LEAP有以下优势：

不需要相机姿态信息，可以处理任意视角的图片。

可以从极少量的视图中重建出高质量的三维模型，甚至是单张图片。

可以处理不同尺度、不同光照、不同背景的图片，具有很强的泛化能力。

可以实现实时的三维建模，只需要几秒钟就可以生成三维模型。

LEAP实验：作者在多个数据集上进行了实验，包括ShapeNet、PASCAL3D+、Pix3D和自采集数据集。实验结果表明，LEAP在三维重建质量、运行速度和泛化能力方面都优于现有的方法。作者还展示了一些LEAP生成的三维模型的可视化效果。

1 引言

本文介绍了一种基于神经辐射场的3D建模方法LEAP，其与传统方法不同的是摒弃了使用摄像机姿态的操作，并通过学习数据中与姿态相关的几何知识和表示来进行建模。LEAP使用神经音量来初始化辐射场，并通过聚合方式更新神经音量。而在聚合2D图像特征时，LEAP采用注意力机制而非摄像机姿态来确定待聚合的像素。此外，LEAP还通过多视角编码器来提高非规范视角图像特征的一致性。训练中，LEAP使用真实的摄像机姿态生成2D渲染图像，并通过2D重建损失进行优化。实验结果表明LEAP在多种数据集上表现出了优越的性能、快速的推理速度、强大的泛化能力以及易解释的先验知识。这里也推荐「3D视觉工坊」新课程彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进》。

2 相关工作

本文主要介绍了两个与NeRF（Neural Radiance Fields）相关的工作，分别是针对稀疏视角输入的NeRF变体和稀疏视角相机姿态估计。针对NeRF的稀疏视角输入，有两种不同的方法：一种是针对特定场景的NeRF，通过从头开始优化辐射场来实现；另一种是通用的NeRF变体，通过预测2D图像特征条件下的辐射场来实现。然而，这些方法在推理3D点之间关联性和假设获取地面真实相机姿态方面存在一些局限性。而LEAP方法具有3D推理能力，在没有姿态的情况下可以处理图像。稀疏视角相机姿态估计是一个具有挑战性的问题，相比于密集视角，由于图像之间的最小或缺失重叠，对于准确的相机姿态估计来说，跨视角对应线索的形成十分困难。除了传统的基于密集视角的相机姿态估计技术的局限性外，还有一些方法通过引入能量模型、多视图信息和预训练模型等方法来提高姿态估计的准确性。然而，LEAP方法不需要专门的相机姿态估计模块，不受相机姿态估计的影响，可以更接近使用地面真实姿态的结果。对于没有准确或没有相机姿态的NeRF建模，有一些方法通过将相机姿态作为可调参数，并与辐射场一起进行优化来解决该问题。而LEAP方法通过3D感知的设计和基于特征相似性的2D-3D信息映射来消除对相机姿态的依赖，从而得到与使用地面真实姿态更接近的结果。

3 方法

本文介绍了LEAP方法的任务形式化和概述。给定一组k个场景的2D图像观测值，表示为{ ｜i = 1，..., k}，LEAP预测了一个神经辐射场，可以从任意目标视点合成一张2D图像。需要注意的是，在我们的稀疏源视图设置中，由于宽基线相机拍摄的视图数量通常小于5，并且这些视图在推理过程中没有任何相关的相机姿态信息。

3.1 模型架构

LEAP首先从所有视角提取2D图像特征，使用一个DINOv2初始化的ViT作为特征提取器，以建模跨视角相关性。然后，LEAP引入了一个可学习的神经体积，对几何和纹理先验进行编码，并在所有场景中充当初始的3D表示。对于每个场景，LEAP通过查询多视图特征，将2D信息映射到3D领域，更新了神经体积，并预测了辐射场。具体来说，LEAP通过多视图图像编码器实现了对规范视图选择的感知，并通过捕捉交叉视角相关性来改善特征的一致性。接下来，LEAP引入了一个2D-3D信息映射模块，使用Transformer层对特征进行更新和整合，并进行了多次的2D-3D信息映射，以粗到细的方式重建对象的潜在体积。最后，LEAP使用更新后的神经体积预测了基于体素的神经辐射场，然后利用体积渲染技术生成渲染图像和对象掩码。总体来说，LEAP的模型架构可以在没有姿态信息的情况下，通过特征一致性和2D-3D信息映射来实现对场景的建模和图像合成。

3.2 LEAP的训练与推理

LEAP通过光度损失函数在没有任何3D监督的情况下对渲染结果和输入之间进行训练。首先定义了应用于RGB图像的损失函数LI，其中 = (ˆ, ) + (ˆ, )。其中L_{mse}I_{i}(ˆ分别表示原始图像和渲染后的图像，λp是用于平衡损失函数的超参数，Lp是感知损失函数（Johnson等，2016）。然后定义了应用于密度掩模的损失函数LM，即 = (ˆ, )，其中ˆ和分别表示原始和渲染后的密度掩模。最终损失函数定义为L = + ˆ，其中是用于平衡权重的超参数。如果掩模不可用，则只使用 。推断和评估。在推断过程中，LEAP在不依赖于任何姿态的情况下预测辐射场。为了评估新视角合成的质量，作者使用测试相机姿态在特定视点下渲染辐射场。

4 实验

本文介绍了LEAP方法在不同类型的数据集上进行的评估实验，并给出了实现细节和数据集说明。在实验中，LEAP表现出相对于其他基线模型的更好性能，包括更高的PSNR和更低的LPIPS值。此外，LEAP还展示了强大的泛化能力，能够适应不同几何和纹理特性的对象。LEAP还在场景级别数据集上取得了较好的结果，在性能上超过了PixelNeRF和与SPARF相媲美。该研究还进行了消融实验，探索了LEAP模型中各个组成部分的影响，并对LEAP的解释进行了可视化展示。结果表明，LEAP方法有效地利用多视角信息进行3D建模。这里也推荐「3D视觉工坊」新课程彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进》

 

 

 

5 总结

本文提出了一种名为LEAP的无姿势方法，用于从一组非定姿稀疏视图图像进行三维建模。通过适当设置三维坐标并聚合二维图像特征，LEAP展示了令人满意的新视角合成质量。在我们的实验中，LEAP在从物体居中到场景级别，从合成图像到真实图像，以及从小规模到大规模数据的范围内，与使用估计姿势或噪声姿势的先前基于姿势的方法相比，始终表现出更好的性能。LEAP还与使用基准真实姿势的先前方法的版本取得了可比较的结果。此外，LEAP展示了强大的泛化能力，快速推理速度和可解释的学习知识。