生成的也不僅僅是一段視頻，更是一個3D場景模型，不僅能任意角度隨意切換、高清無死角，還能調節曝光、白平衡等參數，生成船新的照片：先來看一段“視頻”，有沒有看出什麼不對勁的地方？其實，這僅僅是由一組照片渲染出來的（右下角為拍攝照片）！
在完全不同的場景下，例如一個坦克廠中，同樣能用一組照片渲染出逼真3D場景，相同角度與真實拍攝圖像幾乎“完全一致”：
要知道，之前蘋果雖然也做過一組照片生成目標物體3D模型的功能，但最多就是一件物體，例如一隻箱子：
這次可是整個3D場景！
這是德國埃爾朗根-紐倫堡大學的幾位研究人員做的項目，效果一出就火得不行，在國外社交媒體上贊數超過5k，閱讀量達到36w+。
那麼，這樣神奇的效果，究竟是怎麼生成的呢？
用照片還原整個3D場景圖
整體來說，這篇論文提出了一種基於點的可微神經渲染流水線ADOP（Approximate Differentiable One-Pixel Point Rendering），用AI分析輸入圖像，並輸出新角度的新圖像。
在輸入時，由於需要建模3D場景，因此這裡的照片需要經過嚴格拍攝，來獲取整個場景的稀疏點雲數據。
具體來說，作者在從照片獲取點雲數據時，採用了COLMAP。
先從多個不同的角度拍攝場景中的照片，其中每張照片的視角都會經過嚴格控制。
然後採用SfM（Structure From Motion，運動恢復結構）方法，來獲取相機內外參數，得到整個場景的3D重建數據，也就是表示場景結構的稀疏點云：
然後，包含點雲等信息的場景數據會被輸入到流水線中，進行進一步的處理。
流水線（pipeline）主要分為三個部分：可微光柵化器、神經渲染器和可微色調映射器。
首先，利用多分辨率的單像素點柵格化可微渲染器（可微光柵化器），將輸入的相機參數、重建的點雲數據轉換成稀疏神經圖像。
其中，模型里關於圖像和點雲對齊的部分，採用了NavVis數據集來訓練。
然後，利用神經渲染器，對稀疏神經圖像進行陰影計算和孔洞填充，生成HDR圖片。
最後，由於不是每個設備都支持HDR畫面，因此在顯示到LDR設備之前，還需要利用基於物理的可微色調映射器改變動態範圍，將HDR圖像變成LDR圖像。
每個場景300+圖像訓練
這個新模型的優勢在哪裡？
由於模型的所有階段都可微，因此這個模型能夠優化場景所有參數（相機模型、相機姿勢、點位置、點顏色、環境圖、渲染網絡權重、漸暈、相機響應函數、每張圖像的曝光和每張圖像的白平衡），並用來生成質量更高的圖像。
具體到訓練上，作者先是採用了688張圖片（包含73M個點）來訓練這個神經渲染流水線（pipeline）。
針對demo中的幾個場景（火車、燈塔、遊樂園、操場等），作者們分別用高端攝像機拍攝了300~350張全高清圖像，每個場景生成的像素點數量分別為10M、8M、12M和11M，其中5%的圖像用作測試。
也就是說，製作這樣一個3D場景，大約需要幾百張圖像，同時每張圖像的拍攝需要經過嚴格的角度控制。
不過仍然有讀者表示，拍幾百張圖像就能用AI做個場景出來，這個速度比當前人工渲染是要快多了。
功能上，模型既能生成可以調節參數的新角度照片，還能自動插值生成全場景的3D渲染視頻，可以說是挺有潛力的。
那麼，這個模型的效果與當前其他模型的渲染效果相比如何呢？
實時顯示1億+像素點場景
據作者表示，論文中採用的高效單像素點柵格化方法，使得ADOP能夠使用任意的相機模型，並實時顯示超過1億個像素點的場景。
肉眼分辨生成結果來看，採用同行幾個最新模型生成的圖片，或多或少會出現一些偽影或是不真實的情況，相比之下ADOP在細節上處理得都非常不錯：
從數據來看，無論是火車、操場、坦克還是燈塔場景，在ADOP模型的渲染下，在VGG、LPIPS和PSNR上幾乎都能取得最優秀的結果（除了坦克的數據）。
不過，研究本身也還具有一些局限性，例如單像素點渲染仍然存在點雲稀疏時，渲染出現孔洞等問題。
但整體來看，實時顯示3D場景的效果還是非常出類拔萃的，不少業內人士表示“達到了AI渲染新高度”。
已經有不少網友開始想象這項研究的用途，例如給電影製片廠省去一大波時間和精力：
（甚至有電影系的學生想直接用到畢設上）
對遊戲行業影響也非常不錯：
在家就能搞3A大作的場景，是不是也要實現了？簡直讓人迫不及待。
還有人想象，要是能在iPhone上實現就好了（甚至已經給iPhone 15預定上了）：
對於研究本身，有網友從行外人視角看來，感覺更像是插幀模型（也有網友回應說差不多是這樣）：
也有網友表示，由於需要的圖像比較多，效果沒有宣傳中那麼好，對研究潛力持保留態度：
雖然目前作者們已經建立了GitHub項目，但代碼還沒有放出來，感興趣的同學們可以先蹲一波。