一个NeRF搞定全尺度：港中大团队BungeeNeRF从建筑到-广州建筑

一、来稿必须是作者独立取得的原创性学术研究成果，来稿的文字复制比（相似度或重复率）必须低于用稿标准，引用部分文字的要在参考文献中注明；署名和作者单位无误，未曾以任何形式用任何文种在国内外公开发表过；未一稿多投。二、来稿除文中特别加以标注和致谢之外，不侵犯任何版权或损害第三方的任何其他权利。如果20天后未收到本刊的录用通知，可自行处理(双方另有约定的除外)。三、来稿经审阅通过，编辑部会将修改意见反馈给您，您应在收到通知7天内提交修改稿。作者享有引用和复制该文的权利及著作权法的其它权利。四、一般来说，4500字（电脑WORD统计，图表另计）以下的文章，不能说清问题，很难保证学术质量，本刊恕不受理。五、论文格式及要素：标题、作者、工作单位全称(院系处室)、摘要、关键词、正文、注释、参考文献(遵从国家标准：GB\T7714-2005，点击查看参考文献格式示例)、作者简介(100字内)、联系方式(通信地址、邮编、电话、电子信箱)。六、处理流程：（1）通过电子邮件将稿件发到我刊唯一投稿信箱（2）我刊初审周期为2－3个工作日，请在投稿3天后查看您的邮箱，收阅我们的审稿回复或用稿通知；若30天内没有收到我们的回复，稿件可自行处理。（3）按用稿通知上的要求办理相关手续后，稿件将进入出版程序。（4）杂志出刊后，我们会按照您提供的地址免费奉寄样刊。七、凡向文教资料杂志社投稿者均被视为接受如下声明：（1）稿件必须是作者本人独立完成的，属原创作品（包括翻译），杜绝抄袭行为，严禁学术腐败现象，严格学术不端检测，如发现系抄袭作品并由此引起的一切责任均由作者本人承担，本刊不承担任何民事连带责任。（2）本刊发表的所有文章，除另有说明外，只代表作者本人的观点，不代表本刊观点。由此引发的任何纠纷和争议本刊不受任何牵连。（3）本刊拥有自主编辑权，但仅限于不违背作者原意的技术性调整。如必须进行重大改动的，编辑部有义务告知作者，或由作者授权编辑修改，或提出意见由作者自己修改。（4）作品在《文教资料》发表后，作者同意其电子版同时发布在文教资料杂志社官方网上。（5）作者同意将其拥有的对其论文的汇编权、翻译权、印刷版和电子版的复制权、网络传播权、发行权等权利在世界范围内无限期转让给《文教资料》杂志社。本刊在与国内外文献数据库或检索系统进行交流合作时，不再征询作者意见，并且不再支付稿酬。九、特别欢迎用电子文档投稿，或邮寄编辑部,勿邮寄私人，以免延误稿件处理时间。

一个NeRF搞定全尺度：港中大团队BungeeNeRF从建筑到

作者:

关键词:

摘要：

网友们对BungeeNeRF这一研究成果也很兴奋。

量子位 | 公众号 QbitAI

BungeeNeRF以渐进的方式建立和训练模型，用一个渐进的神经辐射场来表示多种尺度之下的场景，用于生成3D场景的照片包括各种视角和距离。

它不仅可以很好地渲染大规模场景的细节，而且能够保持小尺度下场景的细节。

具体来说，这个模型能很好地还原各种尺度之下的3D场景主要归功于以下两个部分：

BungeeNeRF模型先预设训练阶段的总数（Lmax），而这个训练的次数就是将摄像机与场景之间连续距离离散之后的段数。

目前，这篇论文已经被ECCV2022收录。

这么厉害，BungeeNeRF是怎么做到的？

首先是它具有残差块结构的渐进生长模型，这可以解决以往模型大尺度之下会出现伪影的问题。

这或许就是我最近几周最喜欢的 NeRF 项目之一，这是非常有趣和令人兴奋的成果！

在放大图像时，后一种输出头逐渐向前一阶段的粗输出添加更复杂的几何和纹理细节，同时保持在较浅层学习的特征对早期的输出头有意义。

多尺度还原3D场景，会导致大规模的数据发生变化，这也意味会增大学习难度和改变图像的焦点。

此外，BungeeNeRF允许从不同的残差块灵活退出来控制LOD（细节水平）。

这么大规模的场景竟然还能保持这么高的清晰度，确定不是和谷歌地图搞错了？

并没有！这是港中大团队提出的一个模型：BungeeNeRF（也称CityNeRF），适用于各种尺度的场景还原。

换句话说，模型各个阶段的训练就是指在不同尺度之下的训练。

其次是BungeeNeRF具有包容的多层监督结构。

这种渐进的方式划分了各个网络层的工作，并且使位置编码在不同尺度下可以激活不同频带通道，释放每个尺度下相应的细节。

通过允许模型在早期训练阶段对外围区域投入更多的成本来弥补样本分布的偏差。

研究团队在论文中给出了BungeeNeRF生成的3D场景与其他模型的比较，BungeeNeRF明显优于其他模型，并且很接近真实场景。

Pine 发自凹非寺

如果你感兴趣，可以戳下文链接了解更多~

参考链接：

在训练阶段，训练集的增长伴随着残差块的增加。

你敢相信这是AI利用图像重建出来的3D场景吗？

因为要保持所有尺度下图像渲染质量保持一致，所以在训练阶段，输出头是之前更大尺度的图像联合监督的，这个阶段损失会汇总在之前所有尺度的输出头上。

量子位 QbitAI · 头条号签约

每个残差块都有自己的输出头，可以用来预测连续阶段之间的颜色和密度残差，在近距离观察时，捕获场景中新出现的复杂细节。

相较于其他模型在各种尺度上的细节渲染效果，BungeeNeRF的效果更加明显。

多层次监督的设计在更深层次的输出头上考虑到了细节的复杂性，因此渲染的视图也会更加清晰真实。

然后从远程视图(L=1)开始，随着训练的进行，BungeeNeRF在每个训练阶段都会纳入一个更近的尺度（L+1）。

从单个建筑到整个地球等大规模的场景，都可以通过多个2D图片还原为3D场景，细节渲染也很到位。

文章来源：《广州建筑》网址: http://www.guangzhoujianzhu.cn/zonghexinwen/2022/0816/402.html