【论文精读】Pose-Free Neural Radiance Fields via Implicit Pose Regularization

今天读的是一篇发表在ICCV 2023上的文章，作者来自NTU。
文章地址：点击前往

Abstract

Pose-free的NeRF最近很火，近期的工作大部分先是使用渲染的图片训练一个粗略的姿态估计器，再对NeRF和姿态进行联合优化。然而，训练期间只使用了rendered image，姿态估计经常偏移或不准确，因为渲染图与真实图片之间本来就有domain gap。这导致了很差的robustness，并且在联合优化中会陷入局部最优。我们设计了IR-NeRF，使用implicit pose regularization来细化pose estimator。该框架创建了scene codebook来存储scene features并且获取scene- specific pose distribution implicity作为先验。

1 Intro

简介，主要贡献有：

• 提出了IR-NeRF来通过unposed images来训练
• 建立了scene codebook来编码场景特征，并隐式地获取相机姿态分布来作为先验
• 设计了一个pose-guided重建范式来使用场景先验来使用unposed images细化pose estimator，提升了其robustness。

2 Related Work

介绍了NeRF、Pose- Free NeRF和Visual Codebook的相关工作。

3 Preliminary

介绍了一些基础知识，比如相机姿态估计和NeRF的形式。
这一章很短，我个人认为直接并入2就可以了。

4 Proposed Method

4.1 Overall Framework

给一个随机采样的相机pose序列，先使用adversarial loss学一个coarse NeRF，然后render出相机pose的图片。pose estimator P是通过两步训练来预测相机姿态的。首先，它被训练regress 初始的pose，使用了渲染出来的图片。然后，使用一个implicit pose regularization 来refine 这个$P$，使用unposed real images。这个implicit pose regularization呢可以提升鲁棒性，因为只用这个渲染出来的图片来训练是不准确的。

这个implicit pose regularization的要点其实是scene codebook construction和pose-guided view reconstruction with view consistency loss。这个codebook $C$首先通过重建真实图片来获得。然后，给定一个real image，pose-guided view reconstruction使得$P$来估算该图片的相机姿态，进一步使用该姿态来指导$C$里面的linear combination of feature embeddings，来重建对应的图片。implicit pose regularization可以通过计算视觉一致性loss来实现。我们同样联合refine了学习得到的粗略NeRF和预测的相机姿态。

4.2 Scene Codebook Construction

我们没有单纯地把输入图片编码到representations里面去，这样会导致难以获得整体的pose分布。我们设计了新的scene codebook construction，使用linear combination，这可以作为implicit distribution prior来达到健壮的姿态估计性能。

这个scene codebook construction由三个部分组成：image-weight learner $E_I$ ，一个scene codebook C = { c n } n = 1 N C=\{c_{n}\}_{n=1}^{N} C={cn​}n=1N​，和一个decoder $G$。这个codebook通过重建unposed real images来学习。这个image-weight learner被使用来得到一个权重组合 X = { x n } n = 1 N X=\{x_{n}\}_{n=1}^{N} X={xn​}n=1N​基于真实图片$I$：

$X=Softmax(E_I(I))$

feature embedding $f$ of the real image $I$ 在之后被创建，通过codebook里面的这个线性权重组合，可以表达为：

$f={\Sigma }_{n=1}^N{c}_n{x}_n$

有了$f$之后，真实图片$I$可以通过decoder $G$来重建：

$I\approx \hat{I}=G(f)$

其中$\hat{I}$代表的是reconstructed image。配备了image reconstruction loss $L_{rec}$后，scene codebook可以被学习：

$L_{rec}(E_I,C,G)=||I-\hat{I}|{|}^2$

为了降低联合训练它们的难度，提升训练稳定性，我们采用了预训练的VGG19来初始化scene codebook $C$，通过编码一系列真实图片：

$C_{ini}=VGG([I_0,I_1,...,I_T])$

后续这个$C_{ini}$会被image reconstruct loss $L_{r}ec$来优化的。

4.3 Pose-Guided View Reconstruction

在有了$C$和$G$之后，可以保证只有姿态在场景姿态分布内的图片会被重建，在这个条件下，我们设计了pose引导的view reconstruction with view consistency loss来使用unposed images对姿态估计进行refine。基于针对真实图片$I$估算出来的相机姿态${\varphi }^{\prime }$，与${\varphi }^{\prime }$对应的图片$I^{\prime }$被通过codebook里面的feature embeddings的线性组合来重建。更具体而言，一个pose-weight learner $E_P$被首先使用来产生一系列权重，基于估计的相机姿态${\varphi }^{\prime }$：

$X^{\prime }=Softmax(E_P({\varphi }^{\prime }))$

对于和${\varphi }^{\prime }$对应的feature embedding $f^{\prime }$的重建，可以被表达为$f^{\prime }={\Sigma }_{n=1}^N{c}_n{x}_n^{\prime }$，其中$c_n$和$x_n^{\prime }$代表第n个feature1 embedding和第n个权重。最后，图片$I^{\prime }$可以被通过被frozen的decoder $G$来重建，它注重于解码codebook里面特征的线性组合。

通过使用这个被decoder重建出来的图片$\hat{I}$作为pseudo GT，一个视觉一致性loss $L_c$计算了重建的图片和伪真值之间的关系：

$L_c(P,E_P)=\frac{1}{i}{\Sigma }_{i=1}^N||I_i^{\prime }-{\hat{I}}_i|{|}^2$

如果被$P$估算出来的相机姿态${\varphi }^{\prime }$ 偏移了姿态分布，那么对应的由C和G重建出来的视角$I^{\prime }$就不会和伪GT对齐。这样，分布之外的姿态就会被抑制住。

4.4 Training Process

训练过程包括粗略NeRF训练、相机姿态估计、联合优化NeRF与相机姿态。对于粗略NeRF训练，我们使用了adversarial loss，并用随机初始化的姿态，因为缺乏已知的pose。

对于相机姿态估计，我们首先使用MSE loss和渲染出来的图片来优化粗略的$P$，然后使用implicit pose regularization来refine。codebook在使用unposed real images来发挥功能，在$L_{rec}$的监督之下。在有了codebook和decoder之后，pose estimator可以被优化，来预测真实图片的相机姿态，被视觉一致性loss $L_c$驱动。在此之外，还用了光度一致性loss来联合优化。注意，NeRF在相机姿态估计期间被frozen，但在联合优化期间是可以被训的。

5 Experiment

5.1 Datasets and Implementation Details

使用了NeRF- Synthetic数据集和DTU数据集来分别代表合成数据与现实世界场景。对于NeRF-Synthetic数据集，训练时，每个场景使用100张图片并且resize到了400400像素，测试时，随机从test set里面选8张图片；对于DTU数据集，训练时，每个场景使用43张图片并且resize到了500400，测试时，使用剩下的6张。

介绍了一些实现细节和参数。

5.2 Comparisons with SOTA

只和GNeRF做了对比，在视觉合成与相机姿态估计两个维度进行了比较。

5.3 Ablation Studies

针对implicit pose regularization、codebook和view consistency loss做了消融实验。

5.4 Visualization

画了个图统计，说在分布之外的离谱的姿态少了很多。

5.5 Parameters Investigation

探讨了codebook的大小参数$N$的变化对性能的影响。更大的数意味着存储更多的场景特征，可以提升合成图片的质量，但是也意味着模型训练时的计算开销和显存消耗变大。在本文中，N被设置为了1024。

6 Limitation

最大的缺点是，NeRF训练、姿态估计、联合优化，这三个阶段加在一起，训练的时间太长。

7 Conclusion

总结了创新点。