英伟达馋哭建模师！投喂随意视频，直出3D模型

英伟达一出手，3D建模师都馋哭了。

现在，制作一个纹理超细致的大卫3D模型，需要几步？

刚刚靠着AI，市值一度飚破万亿美元的英伟达给出最新答案：

给AI投喂一段普通视频，它就能自动搞定。

不仅雕塑的每一个褶皱都能拿捏住，更为复杂的建筑场景3D重建，同样靠一个视频就能解决：

连深度都能直接估算出来。

这个新AI名叫Neuralangelo，来自英伟达研究院和约翰霍普金斯大学。

论文刚一发表就吸引了全场网友的目光，让人直呼：这是直接创造新世界的节奏。

甚至再一次拉动了显卡销量【狗头】：

目前，相关论文已经入选CVPR 2023。更多技术细节，我们一起接着往下看~

这篇论文采用的架构名叫Neuralangelo，一个听起来有点像著名雕塑家米开朗基罗（Michelangelo）的名字。

具体来说，Neuralangelo核心采用了两个技术。

一个是基于SDF的神经渲染重建。

其中，SDF即符号距离函数（Signed Distance Function），它的本质就是将3D模型划出一个表面，然后用数值表示每个点距离模型的实际距离，负数指点在表面内侧，正数指点在表面外侧：

基于SDF的神经渲染技术，则是采用神经网络（如MLP）对SDF进行编码，来对物体表面进行一个近似还原。

另一个则是多分辨率哈希编码，用于降低计算量。

多分辨率哈希编码是一种特殊的编码方式，能用很小的网络降低计算量，同时确保生成的质量不降低。

其中，多分辨率哈希表的value，对应由随机梯度下降优化得到特征向量。

操作流程上，则分为两步。

首先，基于神经渲染重建方法，计算出视频中3D结构的“粗糙表面”。

值得注意的是，这里采用了数值梯度而不是解析梯度，这样基于SDF生成算法做出来的3D模型表面更加平滑，不会出现凹凸不平的状态：

论文还额外对比了一下解析梯度和数值梯度的状态，从图中来看，数值梯度整体上能取得更平滑的建筑效果：

随后，就是逐渐减小数值梯度的步长（step size）、采用分辨率更高的哈希表，一步一步提升模型的精细度，还原建筑的细节：

最后再对生成的效果进行优化，就得到了还原出来的图像。

包含MLP和哈希编码在内，整个网络采用端到端的方式进行训练。

研究人员采用了DTU和Tanks and Temples两个数据集对Neuralangelo进行测试。

DTU数据集包含128个场景，这篇论文具体采用了其中的15个场景，每个场景包含49~64张由机器人拍摄的RGB图像。

随后，还采用了Tanks and Temples中6个场景的263~1107张RGB相机拍摄图像，真实数据则由LiDAR传感器获得。

Tanks and Temples包含中级和高级两类数据集。

其中，中级数据集包含雕塑、大型车辆和住宅规模的建筑；高级数据集则包含从内部成像的大型室内场景、以及具有复杂几何布局和相机轨迹的大型室外场景：

具体到生成细节上，Neuralangelo相比NeuS和NeuralWarp等“前SOTA”模型，在DTU数据集上展现出了非常准确的3D细节生成：

而在Tanks and Temples数据集上，Neuralangelo也同样展现出了不错的还原效果：

在F1-Score评估和图像质量PSNR评估中，Neuralangelo基本上全部取得了最好的效果：

这篇研究的作者来自英伟达和约翰霍普金斯大学（Johns Hopkins University）。

论文一作李赵硕（Zhaoshuo Li），本科毕业于不列颠哥伦比亚大学，目前是约翰霍普金斯大学的博士生，师从Mathias Unberath和Russell Taylor。

Russell Taylor是医疗机器人领域泰斗，曾主持研发全球首台骨科手术机器人ROBDOC。

而李赵硕本人，本科专业也是机器人工程，如今算是小小跨界，研究重点在图像重建3D结构上。

Neuralangelo是李赵硕在英伟达实习期间的工作。此前，他还曾在Meta的Reality Labs实习（就是小扎All in 元宇宙的核心部门）。

本文作者：鱼羊 萧箫 发自 凹非寺，来源：量子位，原文标题：《英伟达馋哭建模师！投喂随意视频，直出3D模型，华人一作登CVPR 2023》