本文介紹一下我組在ICCV2023的論文“S3IM: Stochastic Structural SIMilarity and Its Unreasonable Effectiveness for Neural Fields”。

S3IM這個(gè)工作背后的想法實(shí)際上很簡潔，從這個(gè)idea在腦海里形成到最后提交到ICCV2023不過2個(gè)月時(shí)間。

S3IM: Stochastic Structural SIMilarity and Its Unreasonable Effectiveness for Neural Fields

論文：arxiv.org/abs/2308.07032

代碼：github.com/Madaoer/S3IM-Neural-Fields

用一句話來總結(jié)這個(gè)工作就是——我們提出了一種即插即用的loss S3IM（隨機(jī)結(jié)構(gòu)相似性），可以近乎零成本地顯著提升現(xiàn)存NeRF類方法的性能指標(biāo)。在幾個(gè)場景里，我們甚至可以把TensoRF和DVGO這些經(jīng)典模型的Test MSE Loss下降99%，同時(shí)把NeuS的幾何重建指標(biāo)（比如Chamfer L1 Distance）改善超過60%。

這里我們先看幾組RGB和幾何重建的可視化結(jié)果。

不僅如此，還可以提高對圖像噪音的魯棒性。如下圖所示，S3IM的渲染結(jié)果明顯去掉了圖像里灰蒙蒙的噪音。

毫無疑問，S3IM極大地增強(qiáng)了現(xiàn)有的NeRF類方法。

S3IM的精髓在于以兩個(gè)像素集合之間的相似性作為訓(xùn)練損失；像素集合一般包含數(shù)千個(gè)像素，這些像素一起貢獻(xiàn)了互相關(guān)聯(lián)的、全局的結(jié)構(gòu)信息。

而NeRF傳統(tǒng)的MSE是一種以兩個(gè)獨(dú)立像素之間的point-wise error作為訓(xùn)練損失；所以MSE只包含了像素點(diǎn)孤立的信息、完全沒有遠(yuǎn)距離或者全局的信息。

上面這兩段話就是S3IM的motivation。

為什么有結(jié)構(gòu)信息更好？

這是一個(gè)很好的問題。

但我們先回答另一個(gè)相關(guān)的問題，為什么NeRF的性能指標(biāo)要有3個(gè)——PSNR、SSIM和LPIPS？

PSNR就是像素之間point-wise的度量。很早大家就發(fā)現(xiàn)，PSNR好不代表真的就好。

SSIM（結(jié)構(gòu)相似性）作為一種和人類視覺感知相關(guān)性更高的度量在2004年圖像評估領(lǐng)域應(yīng)運(yùn)而生。

LPIPS則是一種通過預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)提取特征計(jì)算特征距離的指標(biāo)（一般叫做感知指標(biāo)）。

SSIM和LPIPS其實(shí)都具備衡量兩個(gè)像素集合之間相似性的能力，而且與人類視覺感知相關(guān)性都比PSNR高。

熟悉NeRF的讀者都知道，傳統(tǒng)NeRF訓(xùn)練時(shí)是用MSE Loss。而PSNR和MSE其實(shí)就是一個(gè)簡單的對數(shù)關(guān)系。

MSE和PSNR這類point-wise指標(biāo)都是不夠好的。一方面是和人類視覺感知相關(guān)性低，另一方面則是無法捕捉多個(gè)像素（像素集合）的整體信息。

那么SSIM和LPIPS可不可以直接作為NeRF的loss訓(xùn)練呢？

其實(shí)也可以，但仍然不夠好。

因?yàn)镾SIM和LPIPS都是基于卷積核的相似性度量，它們只能捕捉相近像素的局部信息，不能捕捉更遠(yuǎn)的像素包含的結(jié)構(gòu)信息。

我們的ICCV工作就是把SSIM（Structural SIMilarity）這個(gè)經(jīng)典圖像質(zhì)量評估指標(biāo)升級，變?yōu)镾3IM(Stochastic Structural SIMilarity)。

這個(gè)升級方式也很簡單。SSIM只能在圖像local patch用卷積核對吧。

那我們把NeRF訓(xùn)練時(shí)每個(gè)minibatch的像素隨機(jī)拼接成一個(gè)patch（叫做stochastic patch），然后再用SSIM處理這些stochastic patch就行了。

有時(shí)候，真理就是這么樸實(shí)無華啊...

知名3D幾何重建開源框架SDFStudio也已經(jīng)把S3IM方法合并進(jìn)去了。

最后再放一個(gè)量化的實(shí)驗(yàn)結(jié)果。表里Multiplex即是我們的S3IM方法。

S3IM這個(gè)工作是我們Machine Learning for Fields系列工作的一環(huán)。我們在從機(jī)器學(xué)習(xí)的角度考慮場的問題。

無論是神經(jīng)輻射場還是其他什么場，廣義來說都是某個(gè)coordinate-wise的物理量。NeRF只是把輻射場的物理先驗(yàn)知識(shí)（空間中包含發(fā)光氣體）嵌入了sampling的部分而已。這對3D場景表示不是完美的，但確實(shí)非常有用，也掀起了熱潮。