南加大提出NeROIC：还有什么不能渲染的？重建效果太强悍了

大家好，我是阿潘，今天给大家分享一篇最新的成果NeROIC，号称可以从在线图像集合获取对象表示的新方法，从具有不同相机、照明和背景的照片中捕获任意对象的高质量几何和材料属性！

太牛了吧，不得不说今年的NeRF相关的工作特别多，效果非常的惊艳 ！元宇宙又加一分！

论文标题：

NeROIC: Neural Object Capture and Rendering from Online Image Collections

论文和主页链接（代码链接未公布）：

https://arxiv.org/abs/2201.02533

https://formyfamily.github.io/NeROIC/

效果：

借助材质属性，我们能够使用新的光照环境重新渲染对象，结果如图 8 所示。

即使我们的输入图像是在完全不同的环境中捕获的，我们的模型也能处理这项具有挑战性的任务，产生高质量和合理的合成结果。

摘要

我们提出了一种从在线图像集合中获取对象表示的新方法，从具有不同相机、照明和背景的照片中捕获任意对象的高质量几何和材料属性。这使得各种以对象为中心的渲染应用程序成为可能，例如从具有挑战性的野外输入中获得新颖视图合成、重新照明和协调背景合成。使用扩展神经辐射场的多阶段方法，我们首先推断表面几何形状并细化粗略估计的初始相机参数，同时利用粗略的前景对象掩码来提高训练效率和几何质量。我们还引入了一种稳健的法线估计技术，该技术消除了几何噪声的影响，同时保留了关键细节。最后，我们提取表面材料属性和环境照明，以球谐函数表示，并带有处理瞬态元素的扩展，例如锐利的阴影。这些组件的结合产生了一个高度模块化和高效的对象获取框架。广泛的评估和比较证明了我们的方法在捕获对渲染应用程序有用的高质量几何和外观属性方面的优势。

整体思路

框架图：

给定一组粗略校准的图像和相应的前景蒙版，我们的几何网络计算具有静态和瞬态分量的神经辐射场，并细化相机参数 (a)。然后，我们基于网格的法线提取层从学习的密度场 (b) 中估计表面法线。最后，我们修复了物体的几何形状，并在渲染网络中使用估计的法线作为监督，在其中我们推断照明条件（表示为球谐系数）、表面材料属性（使用 Phong 渲染模型）和高 质量表面法线 (c)。

具体来说：

这里的两阶段模型将来自不同条件的对象图像作为输入。利用其他 state-of-the-art 方法获取的图像的相机位姿和对象前景蒙版，我们首先通过训练基于 NeRF 的网络优化扫描对象的几何形状并细化相机位姿；然后我们使用我们的法线提取层从几何体（由密度函数表示）计算表面法线；最后，我们的第二阶段模型分解了物体的材料属性，并解决了每个图像的光照条件。

更多的算法细节，请阅读论文

今天分享的内容就到这里，如果喜欢可以帮忙分享一下，我是阿潘，努力分享更多优秀的成果！