谷歌一年前的論文突然火了！這個名叫RawNeRF的技術，不僅完美降噪，還能改變視角，調整焦點和曝光等等。難道，我們距離超強的夜景拍照相機不遠了？最近，網上一段來自谷歌的AI夜景拍攝視頻被刷爆了！
視頻中的這個技術叫RawNeRF，顧名思義就是NeRF的一個全新變體。
NeRF是一種全連接神經網絡，使用2D圖像的信息作為訓練數據，還原出3D場景。
RawNeRF比起之前的NeRF，有了多處改進。不僅能完美降噪，還能改變相機視角，調整焦點、曝光和色調映射。
谷歌的這篇論文於2021年11月發表，並被CVPR2022收錄。
在此之前，NeRF是使用色調映射的低動態範圍LDR圖像作為輸入。
而谷歌的RawNeRF改為直接在線性原始圖像上進行訓練，可以保留場景的完整動態範圍。
在合成視圖領域，處理黑暗的照片一直是一個難題。
因為在這種情況下，圖像中的細節極少。而且這些圖像讓我們很難把新視圖拼接到一起。
還好，我們有一個新的方案——使用原始傳感器（RAW sensor data）的數據。
不過，仍然存在一個問題：噪點也多了。
所以我們必須做個選擇：是更少的細節和更少的噪點，還是選擇更多的細節和更多的噪點。
好消息是：我們可以使用圖像降噪技術。
可以看到，降噪之後的圖像效果不錯，但要合成視圖，這種質量還是不夠。
不過圖像降噪技術給我們提供了一個思路：既然可以給單個圖像去噪，那也可以給一組圖像去噪。
讓我們來看看RawNeRF的效果。
而且，它還有更多令人驚喜的功能：對基礎數據進行色調映射，從深色圖像中提取更多細節。
比如改變圖像的焦點，營造出很棒的景深效果。
更厲害的是，這個還是實時的。
此外，圖像的曝光也會隨著焦點的變化而產生相應的變化！
接下來，就讓我們看看RawNeRF的五個經典的應用場景吧。
五大經典場景
1.圖像清晰度
看這張圖像，你能看到路牌上的信息嗎？
可以看到，經過RawNeRF處理後，路牌上的信息就清晰多了。
在下面這個動圖裡，我們可以清晰地看到原始的NeRF技術和RawNeRF在圖像合成上的區別。
其實，所謂的NeRF也並不是多古老的技術，時間才剛剛過了2年而已……
看得出來，RawNeRF在高光的處理上，表現得還是非常出色的，我們甚至能看到右下角車牌周圍的高光變化。
2.鏡面高光
鏡面高光屬於非常難捕捉的對象，因為在移動相機時，它們會發生很大的變化，而且照片之間的相對距離也比較遠。這些因素對於學習算法來說，都是巨大的挑戰。
在下面這張圖中可以看到，RawNeRF所生成的鏡面高光可以說是相當還原了。
3.薄的結構
即使在光線充足的情景中，以前的技術對於柵欄的顯示效果也並不好。
而RawNeRF即使處理有一堆柵欄的夜間照片，也妥妥hold得住。
即使在柵欄與車牌重合的地方，效果依然很好。
4.鏡面反光
路面上的反光，是一種更有挑戰性的鏡面高光。可以看到，RawNeRF也處理得非常自然，非常真實。
5.改變焦點，調整曝光
在這個場景中，讓我們試試改變視角，不斷變換焦點，同時調整曝光。
在以前，要完成這些工作，我們需要從25到200張照片的集合。
而現在，我們只需要幾秒鐘，就可以完成拍攝了。
當然，RawNeRF現在並不完美，我們可以看到，左邊的RawNeRF圖像和右邊的真實照片，還是有一些差異。
不過，從一組充滿噪點的原始圖像達到現在這樣的效果，RAWnerf已經取得相當大的進步了。要知道，兩年前的技術還完全做不到這樣。
簡單回顧一下，NeRF訓練管線所接收的是經過相機處理的LDR圖像，之後的場景重建和視圖渲染，基於的都是LDR色彩空間。因此，NeRF的輸出實際上已經是經過了後期處理的，想要大幅修改和編輯是不可能了。
相比而言，RawNeRF是直接在線性原始HDR輸入數據上訓練的。由此產生的渲染結果可以像任何原始照片一樣進行編輯，如改變焦點和曝光等等。
由此帶來的好處主要有兩點：HDR視圖合成和降噪處理。
在亮度變化極大的場景中，固定的快門速度不足以捕捉到全部動態範圍。RawNeRF模型則可以同時對短曝光和長曝光進行優化處理，從而恢復完整的動態範圍。
例如（b）中的這種大光比場景，就需要更複雜的局部色調映射算法（例如HDR+後期處理），才能同時保留暗部的細節和室外的高光。
此外，RawNeRF還可以使用線性顏色渲染具有正確飽和的「虛化」亮點的合成失焦效果。
在圖像噪點的處理上，作者進一步地將RawNeRF在完全未經處理的HDR線性原始圖像上進行了訓練，使其變成了一個能處理幾十甚至幾百張輸入圖像的「降噪器」。
這種魯棒性也就意味著，RawNeRF可以出色地完成在黑暗中重建場景的任務。
