NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields

• NeRF + 物理，根据观察到的流体现象，推测对应的粒子系统运动，并且预测之后的运动。
• 
• 

• 文章列表来源： https://github.com/amusi/CVPR2022-Papers-with-Code
• 以及：https://dellaert.github.io/NeRF22/

DensePose: Dense Human Pose Estimation In TheWild

• 使用如下一套预定义的带有 75+10 个可变参数的模型表示人体。
• 
• 然后造一个带标注数据集： DensePose-CoCo。
• 训练一个网络预测每一块所属的身体部位和对应的UV图中位置。
• 
• 再训练一个inPaint 网络把系数的预测值变得稠密
• 

BANMo: Building Animatable 3D Neural Models from Many Casual Videos (CVPR 2022 Oral)

• TLDR: 相对于 Nerfies，引入了 DensePose 创造了固定模型，以及使用了骨架系统约束运动变换。
• 从单目视频中重建自由移动的非刚性物体（例如猫）
• 
• （1）利用铰接骨架和混合皮肤的经典可变形形状模型；
• （2）适合基于梯度优化的神经辐射场NeRF；
• （3）在像素和铰接模型之间产生对应关系的embedding。
• 
• 需要根据目标，通过人工标注大致的身体位置，从而 Finetune 一个 DensePose模型。
• 
• 
• 
• Results:
• 
• 

Mip-NeRF 360: Unbounded Anti-Aliased Neural Radiance Fields (CVPR 2022 Oral)

• 拓展 Mip-NeRF 到 Unbounded Scenes.
• 
• 
• 添加了Online Distillation, fine model 的预测 density 直接教 coarse model.
• 
• 

Point-NeRF: Point-based Neural Radiance Fields (CVPR 2022 Oral)

• 竟然拿了 Oral，那么之前提的凭借版改进优先级又高了一些。

NeRF in the Dark: High Dynamic Range View Synthesis from

The relativistic discriminator: a key element missing from standard GAN

• 不再判断一个样本的绝对真假性，而是判断相对真假性。
• 经过一系列论证和推到，操作非常简单，也就是过sigmoid转概率前相减。
• 
• 文章后面的实验也证实了这个简单的修改效果确实好
• 但是在github issue 中有人发现这样修改后，容易出现 model collaspe.

• 找了一些与如何训练GAN相关的文章

Spectral Normalization for Generative Adversarial Networks

• 这是对网络参数的归一化操作。同样用于限制 Discriminator的 Lipschitz 系数来提升训练稳定性。
• 卷积操作可以视为乘以一个矩阵，所以只要让每层网络的网络参数除以该层参数矩阵的谱范数($W^TW$的最大特征值的平方根)即可满足Lipschitz<=1的约束。
• 就像限制参数模长一样，每次训练迭代的时候除一下就行。
• 
• 
• 
• 实验证明了在 CIFAR10 上不同训练 configuration 下效果都不错。
• 

Projected GANs Converge Faster

• NIPS2021 得分 7775，竟然只拿到了一个 poster。
• Novelty 一般般，效果看起来不错。
• 
• 本文探究如何使用 ImageNet 预训练模型加速 GAN的训练。通常而言直接使用 ImageNet 预训练模型初始化 Discriminator 会导致 Generator 无法训练。
• 本文使用了 Feature pyramids 和映射到更高维的 Random Projection 来解决如上问题。
• 提取特征然后通过一个随机且固定的1x1 projection layer (CCM)。加一点卷积和上采样来增强全局information(CSM)。
• 
• 实验结果
• 
• 第i列的baseline是使用第 i 个scale的feature单独传给 discriminator。从结果来看，其实直接取预训练网络的前半部分的特征效果就不错（第二行），因为 Lipschitz 系数不大且有预训练。
• 

Which Training Methods for GANs do actually Converge?

• 一篇理论性的文章，结果没有多么惊艳。但今后写某些文章的时候可能可以用于作为理论依据。
• 

Optimizing the Latent Space of Generat

• 本次以点云和体素生成为主，目的是调研下到底多大的算力能支持多复杂的场景。

Learning Representations and Generative Models for 3D Point Clouds (2018)

• 重建部分为 AutoEncoder，生成部分结构为常见GAN或者在AE的hidden space 上做GAN or 高斯混合模型。输入输出维度为 2048*3。GAN的深度只有一两层MLP。使用的数据集大小大约为 1.4GB，57K 个样本，代码中GAN的训练使用了268K iteration。
• 重建质量
• 
• 不同方法的结果（竖着的是不同的测评方法；B是直接GAN；CD是在AE的hidden space 做GAN，AE使用了不同的损失函数Earth Mover's Distance 和Chamfer Distance；E是WGAN；F是Gaussian Mixture Model）：
• 

Improved Adversarial Systems for 3D Object Generation and Reconstruction (2018)

• 算法结构：
• 
• 整体算法上来说，基本照搬WGAN-GP，额外的地方有：Generator 和 Discriminator 不是1：1迭代训练，而是 Discriminator 是Generator的5倍。Discriminator去掉了BN。但并没有Ablation Study证明有效性。
• 
• 一共训练了456K iteration.

3DMGNet: 3D Model Generation Network Based on Multi-Modal Data Constraints and Multi-Level Feature Fusion (2020)

• 
• 
• 结果比较
• 
• 训练用了400Epoch，3D部分尺寸 $32^3$. 没有开源，所以不知道会训练多久，而且这是AE模型，不是GAN.

启发

• 生成做不好的话，如果AE重建做好了，可以做重

PixelNerf: Neural Radiance Fields from One or Few Images

• 效果展示
• 在数据不充足时，传统nerf很难收敛得很好。
• 对于训练和渲染时的每一个点，找到在之前图像中出现的位置，然后使用一个预训练的2DCNN (ResNet34 on ImageNet)提取local特征。
• 
• 
• 这样一个编码的时候直接告诉了在图片中的样子确实能显著提升fewshot的收敛效果，但我比较担心在复杂遮挡的情况下的效果。
• 
• 这个例子可以看出，在多个视图的情况下，nerf效果反而可能比pixelNerf更好，而且pixelNerf的复杂度与视图数量相关。

GRF: Learning a General Radiance Field for 3D Representation and Rendering

• 上文的同一个组后续工作, ICCV 2021。
• 这次不再直接拼接到Nerf的输入上了。先过一个流程得到对于一个3D点的Feature。这个$x_p,y_p,z_p$ 是询问点的坐标（其实我觉得该用相机与这个点的位置差，以及这里特征融合有使用 Transformer 的空间）。
• 
• 后面再加view direction(yysy, 这图画的真丑).
• 
• 除了常规实验外，做了个有意思的实验。把另一个场景的输入套用进来，有种直接输入多视角图，直接输出合成视角的感觉了。（除了这个就真没别的什么亮点了）
• 
• 可惜只做了一些非常 toy 的数据集。
• 

Depth-supervised NeRF: Fewer Views and Faster Training for Free

• 
• 在数据量少的时候，Nerf会出现严重的 OverFitting 的情况。但是增加深度数据可以减轻这个情况。
• 
• 深度的计算方法和颜色一样，就只是把 color 替换为了 distance from cam.
• 
• 训练时额外加一个深度L2信息
• 
• 实验上他们分析了生成效果，深度估计误差，以及把他们方法加到 Pi

InLoc: Indoor Visual Localization with Dense Matching and View Synthesis （2018）

• 本文提出了一个先针对建筑建立3D地图，随后使用相机估计当前位姿的方案.
  
• 本文的创新点：
• 之前的方案无法在室内场景中提取足够的特征（如墙面）。本文采用 multi-scale dense CNN features （CNN提前预训练好，提取多层网络特征。） 用于图片描述和特征匹配。
• 本文通过将问询图像（query image）与一个通过3D模型合成的虚拟视角比较，来验证新视角是否解析正确。
• 具体流程： NetVLAD方法（一个使用 CNN 和聚类来进行图像检索的方法）查询图片和数据库图片，选取最高的100个，使用 multi-scale dense CNN features 来对这100进行重新排序，选出top 10 来通过合成视野进行验证。
  

From coarse to fine: Robust hierarchical localization at large scale （2019）

• 本文的目标是控制算力消耗的同时最大化定位鲁棒性
  
• 流程也是对比输入与数据库图像得到初步的结果（Prior retrieval），再通过 covisibility clustering 来把依照3D结构中可以被prior frames共同观察到的地点提取出来。对于每个地点，匹配从输入图像中提取的2D关键点和地点中所包含的3D点，结合一些现有方法推断出6-DoF姿态即完成定位。
  
• 训练的时候加了点多任务蒸馏
  

Unifying deep local and global features for image search （2020）

• 提出了一个模型同时完成全局特征和局部特征的提取。
• 全局特征即把整张图用一个向量表示,局部特征则是提取纹理特征。
• 基于分类方法训练的模型得到的一般都是全局特征，而之前提取局部特征则是使用模型的某一层特征图通过处理得到。
  
• 全局head使用了 GemPooling(即每个数的p次方和再开p次根，p可学习，本文p固定为3) 而非 AdaptiveP

ShaRF: Shape-conditioned Radiance Fields from a Single View

• 
• 
• 同时训练shape Network 和 Appearance network。训练时候需要全部的数据（ Chairs数据集包含 6591 个椅子， cars 包含 3514 个小汽车）以及全部数据的体素分布网格（ground Truth）。对于 shape code 则是和网络联合优化，测试时使用到了测试数据之前算出来的 shape code。 Appearance code 同理。
  
• 由于是 supervised generation， 而且需要 rendering ，看起来并不适合大场景生成。

CodeNeRF : Disentangled Neural Radiance Fields for Object Categories

• 与上一个类似，把shape和color分离，但是是在MLP层实现。同样 Zs和Zt是和网络在一起优化的。

StyleNeRF: A Style-based 3D-Aware Generator for High-resolution Image Synthesis

• rendering 部分只渲染低清特征图，然后再逐步超分得到高清RGB。为了解决超分步骤中的3D不一致性，修改了 upsampler 并增加了新的正则化loss。
• 正则化loss： 在超分结果中采样一些像素，并于真正的nerf结果相对比。
• 上采样修改：
  
  

• Results:
  

• Novelty 并不多，但关注了重要的问题，并且看起来效果不错。

NeRF in the Dark: High Dynamic Range View Synthesis from Noisy Raw Images

• 直接使用 RAW数据，并且发现在数据量足够的适合（25-200）张图， NeRF对于噪音非常鲁棒。可以在低亮度条件下得到较好的图像。并且根据NeRF特性，还能调整焦距HDR等参数。
• 
• 
• 

• 大尺寸城市NeRF，做到了不同尺度的nerf的统一。
• 可以考虑作为我们工作的数据集，但是还没有公开代码和数据集。

Main Idea

• 同样采用progressive 的训练方式，逐渐训练更大尺寸的NeRF。每个尺度的结果等于这个尺度加上之前的结果，算是一种相对新的大尺寸nerf思路。

Comments

• 近距离场景PSNR也差不多只有 21~22，说明我们 rural 场景重建也差不多这么多。可能与场景比较复杂，航拍精度有限有关。
• 以及这个结构估计训练和inference 都非常耗时，但是这个结构应该可以与地图加载相结合进行动态的模块加载。

• 结合了点云和nerf，就像我们是约等于 Voxel+NeRF 一样，这个方案生成的是离散的特征点。而之前所有基于网格的训练方案得到的是规整的网格点。
• 
• 但是就训练速度而言，比 NeRF 快，比基于网格的一系列方法慢。
• 作用上除了加速训练，作者还提出了 point pruning 和 growing 的迭代操作，即不停的在表面处空隙添加point，并删除认为在空的地方的point。这个后处理操作可以增加渲染得到的准确度，以及可以对于一个点云输入jing'x