看到下面这张动图，你会想到什么？是谷歌地球，还是苹果自带的 3D 地图？
其实都不是，它是用卫星和航拍图片直接渲染生成的洛杉矶。很难想象，如此精细的城市 3D 模型，竟然是用几张不同角度和高度的 2D 图片重建的。
这项研究来自香港中文大学多媒体实验室团队，叫做 CityNeRF。
说到这里，有人应该想到了这两年大热的“神经辐射场”（NeRF），它可以用多张角度照片重建 3D 对象，性能出色。量子位之前对此进行了相关报道和解读。
NeRF 虽然恢复室内场景效果惊艳，但是直接用到城市级的卫星地图上，却面临着巨大的挑战。
首先是拍摄相机有很大的运动自由度。随着相机的上升，场景中的地物外观越来越粗糙，几何细节越来越少，纹理分辨率越来越低。
同时，随着空间覆盖范围的扩大，来自外围区域的新对象会加入到视图中。
相机在这个一系列场景中，产生了具有不同细节级别和空间覆盖范围的多尺度数据。
如果使用原来的 NeRF 渲染，那么生成的远景往往不完整，周边场景区域存在伪影，近景总是具有模糊的纹理和形状。
什么原理？
针对上述问题，作者提出了采用多阶段渐进式学习范式的 CityNeRF。
作者根据相机距离将整个训练数据集划分为预定义数量的尺度。从最远的尺度开始，每个训练阶段逐渐将训练集扩大一个更近的尺度，并同步增长模型。
通过这种方式，CityNeRF 可以稳健地学习跨场景所有尺度的表示层次结构。
CityNeRF 引入了两个特殊的设计：
1、具有残差块结构的生长模型：
在每个训练阶段附加一个额外的块来扩展模型。每个块都有自己的输出 head，用于预测连续阶段之间的颜色和密度残差，促使块在近距离观察中关注新兴细节；
2、包容的多级数据监督：
每个块的输出 head 由从最远尺度到其对应尺度的图像联合监督。
换句话说，最后一个块接受所有训练图像的监督，而最早的块只暴露于最粗尺度的图像。通过这样的设计，每个块模块都能够充分利用其能力，在更近的视图中对复杂的细节进行建模，并保证尺度之间一致的渲染质量。
总体来说，CityNeRF 是一种渐进式学习范式，可同步增长 NeRF 模型和训练集。从用浅基块拟合远景开始，随着训练的进行，添加新的块以适应越来越近的视图中出现的细节。
该策略有效地激活了位置编码中的高频通道，并随着训练的进行展开更复杂的细节。
简而言之，使用基本神经网络多层感知器的权重，NeRF 将提前处理所有图像，知道其观点位置。NeRF 将使用相机的光线找到每个像素的颜色和密度。
因此，它知道相机的方向，并可以同时使用所有数组来了解深度和相应的颜色。然后，使用损失函数优化了神经网络的收敛性，
模型训练数据数据来自 Google Earth Studio 中的 12 个城市图像。结果显示在几种常见重建模型中达到了最佳的效果。
最后，作者又将该模型用于重建无人机拍摄的空中图像，依然收到了更佳的效果。
团队简介
本篇论文的两位一作是来自香港中文大学 MMLab 的两位博士生相里元博和徐霖宁。前者曾有一篇论文被 ICLR 2020 收录，后者有多篇论文被 CVPR、ICCV 等顶会收录。
通讯作者是以上两位的导师林达华。
▲ 林达华是香港中文大学信息工程系副教授，也是港中大-商汤科技联合实验室主任。
论文地址：
https://arxiv.org/abs/2112.05504
项目地址：
https://city-super.github.io/citynerf/