Abstract:
NeRS learns a neural shape representation of a closed surface that is diffeomorphic to a
sphere, guaranteeing water-tight reconstructions.
NeRS用神经网络建模物体形状,可以对封闭表面进行建模,并且保证该表面与球形拓扑结构同构,从而确保重建结果完全密闭。另外,NeRS可以根据稀疏的图片推测出物体的3D形状,可利用日常采集数据(非实验室数据)对物体进行3D重建,很好很强大👍。
相比于NeRF, NeRS将视角相关的外观参数化为三部分:
1. environmental illumination:环境光
2. diffuse color (albedo):漫反射
3. specular “shininess.”:高光反射
这三个参数的详细介绍请参考:Blinn-Phong光照模型详解_dx1313113的博客-CSDN博客
作者利用NeRS对各种in the wild的物体都进行了重建,效果如下:
Method
Neural Surface Representation
作者将Neural Surface 表征为两部分(分别是两个网络):以及, 从上图可以非常直观的看出,给定球面一点, 负责推导出该点变形后对应的3维空间的位置,负责推导出该点的颜色
Modeling Rendering
图:先描述一下场景,相机从c看出,看到物体表面一点x, x点所在面的法向量为n,积分区间为x点切面上方的半个单位圆, 微分参数是入照光线的反方向, 是入照光线的反射。
公式:1.: 双向反射分布函数(BRDF), 表示入射()光子()以特定方向()离开的概率。
2. :点来自的radiance
3. :只算法线方向的radiance
该积分描述了观测点周围所有radiance影响的总和。好吧讲了一大堆作者说由于由于输入的稀疏性,上述公式没法用,WTF?没关系,有平替--Phong 光照模型:Blinn-Phong光照模型详解_dx1313113的博客-CSDN博客
Phong 光照模型平替
建模环境光,漫反射,高光反射,用来做积分式的平替。
1. 环境光直接用神经网络预测,作者假设给定后,环境光恒定:Neural Environmental Map
2. 漫反射也容易计算出,diffuse component:
3. 高光反射:还是引用上面博客引用的Phong的话(引用套娃是吧),高光反射的强度与反射光线R和观察角度v之间夹角的余弦值成正比。
其中,, 结合这两个式子以及上面这个黄色的话,我们画出下图就能理解了。
然后呢,就被直接等价于
就是漫反射和高光反射的权重和了,为高光反射的参数,是前面提到的网络求解出的。
7到10张图片就能求出物体的外型哟,很不错
参考文献:
Zhang, Jason, et al. "NeRS: neural reflectance surfaces for sparse-view 3D reconstruction in the wild." Advances in Neural Information Processing Systems 34 (2021): 29835-29847.