苹果把 NeRF 玩出新高度：只需单个 10s 视频，就能重构人物动作和场景

有了这个发明，以后演员拍戏再也不用抠图了？答：可以直接一键合成。（手动狗头）

让我们赶紧来看看，这个由苹果最新研发的 NeuMan 框架：只需输入一段 10s 左右的人物视频，就能合成该人物在新场景下做着各种新动作的影像。前空翻？so easy！

跳舞那也是不在话下。这妖娆的舞姿，看来 NeuMan 心里也有一个舞魂～

有网友看完就表示：喔～简直是电影界未来的发展方向。

目前，有关 NeuMan 的研究论文已被 ECCV’22 收录，并且已在 GitHub 上开源。

全新场景渲染

在介绍 NeuMan 的原理之前，让我们再来欣赏几个酷炫的例子～如下图所示，左上角是输入的训练视频，左下角是新的背景，右边则是合成后小哥在新背景下跳跃的效果。

不仅是跳跃这种常规操作，广播体操也完全没问题。

更厉害的是，NeuMan 还可以将上面例子中的两个人合成到一起。

再加上一个人，立马变成魔性的广场舞视频。

这微笑的小表情，真的很难解释不是本人亲自跳的（手动狗头）。那么话说回来，这个神奇的 NeuMan 背后的原理是什么呢？

事实上，自从伯克利和谷歌联合打造的 NeRF（Neural Radiance Fields 神经辐射场）横空出世，各种重建三维场景的研究层出不穷。

NeuMan 原理也是基于此，简单来说，就是用单个视频训练一个人物 NeRF 模型和一个场景 NeRF 模型，然后再合成在一起生成新的场景。

首先，在训练场景 NeRF 模型时，我们先从输入的视频中提取相机姿态、稀疏场景模型和多视角-立体深度图。

对于原视频中被人体遮挡的部分，则使用 Mask R-CNN 进行图像实体分割，将人体掩模膨胀 4 倍，以确保人体被完全遮蔽。此时，就能做到仅在背景上训练场景 NeRF 模型。

至于人体 NeRF 模型训练，研究人员引入了一种端到端的 SMPL 优化（end-to-end SMPL optimization）和纠错神经网络（error-correction network）。

SMPL（Skinned Multi-Person Linear Model）是一种基于顶点的人体三维模型，能够精确地表示人体的不同形状和姿态。

如下图所示，使用端到端的 SMPL 优化的人体模型，能够更好地表现人体的典型体积。

纠错神经网络则是用来弥补 SMPL 模型无法表达的细节。值得一提的是，它只在训练过程中使用，在进行全新场景渲染时会被放弃，以免造成过度拟合。

接下来，在两个模型对齐的阶段，研究人员先使用 COLMAP 解决任意尺度下的对齐问题。然后通过假设人类始终与地面有至少一个接触点，来进一步估计该场景的比例。

最后，再应用 SMPL 网格和场景的点云叠加，就形成了新图像的渲染效果。

最终成品显示，该场景 NeRF 模型方面模型能够有效地去除场景中的人类，并在有限的场景覆盖下生成高质量的新背景渲染图像。

人物 NeRF 模型方面也能很好的捕捉人体的细节，包括袖子、衣领甚至衣服拉链，甚至在渲染新动作时，能执行难度极大的侧翻动作。

值得一提的是，不同于现行的其他 NeRF 模型对训练视频要求很高，比如需要多个机位拍摄、曝光要保持不变、背景要干净等等，NeuMan 的最大亮点是仅通过用户随意上传的单个视频就能达到同款效果。

并且，在分别输入六组不同的视频后，数据显示，与此前方法相比，NeuMan 的方法生成的视频渲染质量最佳。

不过，研究团队也承认，NeuMan 的设计目前还存在一些缺陷。例如，由于人在活动时手势的变化细微又多变，因此生成视频中对手部细节的把握还不是很准确。

另外，在 NeRF 模型渲染时，由于系统假设人类始终与地面有至少一个接触点，因此 NeuMan 不能适用于人与地面接触为零的视频，比如人做后空翻的视频。

要想解决这个问题，需要更智能的几何推理知识，这也是未来研究的一个发展方向。

这项研究由苹果机器学习研究中心和英属哥伦比亚大学合作完成。第一作者 Wei Jiang，是英属哥伦比亚大学计算机科学专业的一名四年级博士生，目前在苹果机器学习研究中心实习。主要研究方向是新视角合成、视觉定位和三维视觉。

他还是英属哥伦比亚大学计算机视觉实验室的一员，导师是 Kwang Moo Yi 教授。硕士毕业于波士顿大学计算机科学专业，本科毕业于浙江工业大学软件工程专业。

参考链接：

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。