聊聊做 NeRF-3D重建性能优化经历

本文作者尘漠加入大淘宝到现在也有5年了，一路走来很开心，他认为在这里可以让他静心做技术研究。以下是尘漠的自述——

在淘宝前三年，我主要偏向研究 2d计算机视觉算法，相比于研究GAN、Transformer等热门课题，我更偏向解决一些算法在工业界落地遇到的常见问题，如深度学习模型训练中，常遇到训练数据不足、数据有噪声等问题，所以我更感兴趣噪声标签识别、主动学习等类型算法，也发表了简单实用的O2U-Net^[5] (ICCV 2019) 噪声识别算法；另外算法推理性能提升，也是工业应用常见问题，比如在手机端部署CNN模型，需要提升模型推理效率，可能需要模型压缩、剪枝技术，也是我感兴趣的方向之一。

这两年随着元宇宙的爆发，内部团队项目的调整，我也转而开始加入到 元宇宙数字世界构建探索中，开始探索低成本高质量3D建模应用。2022年双十一，淘宝Meta 团队推出的 低成本高质量3D建模工具-Object Drawer，首次将学术界神经渲染3D建模算法(NeRF^[1])在工业界规模化落地，实现了十几种品类的低成本建模(成本下降了70%)。我的工作职责主要是Object Drawer性能优化，下面聊一聊性能优化经历。

背景

电商商品3D化，可以使得用户在APP中，实时浏览3D商品模型，更直观地了解商品的外观颜色、形状结构、物理材质等信息，为用户带来更好的消费体验，为虚实结合带来更多可能，后续也可以用于AR\VR等内容生产。然而商品3D化存在：人工设计 3D建模成本太高，传统3D重建算法稳定性又很差。
2020年，谷歌提出神经辐射场3D建模方法NeRF^[1]，可以渲染出较高质量的图片，不需要人工修模，3D建模成本较低，为大规模3D模型生产带来了新思路。

起初淘宝Meta 团队主要致力于 提升 NeRF重建效果(布料细节清晰度、商品文字清晰度等提升)，使其渲染清晰度达到工业落地标准；然而由于NeRF存在推理速度慢等较大缺陷(服务器V100 GPU显卡，渲染一张高清图 需要1min)，所以NeRF在淘宝落地主要在静态出图、AI内容创作做应用尝试，无法扩展到3D交互相关应用。

2020年底，由于项目调整，主管列出团队内一些急需解决的难题供选择。其中一个便是NeRF 算法性能优化，目标是 解决NeRF 3D模型到手机实时渲染的瓶颈问题，使其未来可以扩展到3D AR/VR等更多应用。问题难点：NeRF起初渲染速度非常慢，服务器 V100 GPU显卡上，渲染一张1080p图超过一分钟；如果要做到手机实时渲染，渲染速度预估需提升10000倍以上。

出于对模型推理效率优化方向感兴趣，外加喜欢挑战有难度的任务，我最终选择了解决NeRF推理性能优化。由于NeRF手机实时渲染，在当时并没有论文可以参考，算法推理效率需提升一万倍，所以只能尽力尝试推理加速各种方案。主管没给太大的压力与干涉，实验方案选择上没有任何约束，一句话：只要你认为有效的方案，都可以尝试。这使得我在算法优化工作中，更敢于去尝试有挑战的任务，更敢于去突破业界前沿。

一个人研究一个方向，没有内卷，静心实验研究，大胆尝试自认为有效的方案，这便是我得追求。

由浅入深尝试

由于我以前经历主要涉及 2D 计算机视觉相关算法，对于3D几何相关算法不太熟悉。所以对于算法推理速度优化，起初会偏向选择自己比较熟悉的方案进行尝试，比如神经网络推理加速通用的方案，网络剪枝、8bit量化、蒸馏等方法。经过了半年了实验，最终把神经网络常见的算法加速推理方法都尝试了一遍，最终效率仅提升200 倍左右的效率，离提升10000倍的目标仍遥不可及。后来又折腾了两个月，目标没什么大进展，慢慢意识到如果不对NeRF算法做较大改动，提出具有创新性的方法，效率基本不大可能有四个数量级的提升，因此我开始静下心来，学习3D模型表示、图形渲染等基础3D技术。

随着对3D模型表示、渲染有了进一步深入了解，业界前沿也有了一些推理加速的方法可以参考(Fast-NeRF、PlenOctree^[3])。在综合考虑效率、内存占用、存储空间等问题上，我结合了PlenOctree^[3] +SNeRG^[4] 优点，提出了 采用 Octree+Tiny-MLP数据结构，并对MLP模型做了效率优化，在普通Android上1080p渲染效率做到了6FPS左右。推理效率提升了三个数量级，问题得到大幅度缓解，但还需要继续提升5倍以上的推理速度，才可以实现NeRF手机实时交互。

基于体素表示的推理加速方法，也会引入新的挑战：空间换时间策略，会引入新的问题，模型存储空间、内存占用变大，比如1024*1024*1024分辨率体素，结合前沿方法，经过模型量化、剪枝后，存储空间依旧达到300M；内存占用更是直接打爆手机，基本在2G以上。另外相比于学术研究NeRF  360视角渲染开源数据集来说，720 电商商品展示 在模型大小、内存占用都会更大。

走不寻常的路，多个问题一起思考解决

如前所述，经过了第一阶段的模型优化，虽然推理效率问题大幅缓解，然而也带来了新的挑战问题。存储空间、内存都很大，效率也需要进一步提升，三个问题都很艰巨。正常的思维是三个问题逐一解决，分开思考、逐个击破，然而在考虑到分开解决存在研发周期过长、同时各性能难以平衡问题，研发周期过长，每个问题解决可能需要花好几个月的时间探索。我最终选择探索三个问题一起解决方案，相比于逐个解决，虽然难度加大，但可以把三个问题综合考虑、更好的平衡效果，缩短研发周期。

基于体素表示的神经辐射场，要提升效率、内存、存储三者性能，真正的难点在于其基本只有一条路可以走：减少体素点数，其可供参考的资料较少，需要靠自己摸索实验。

从2D图片压缩启发，我发现人类视觉上看，一张渲染图片是否清晰，取决于一张图片的边缘区域是否清晰。于是第一阶段优化，我们提出了 HrSRG^[2]（ECCV 2022）的方法：3D体模型分层表示+感知损失+GAN，在提升纹理清晰度的同时，使得模型推理效率模型达到state-of-the-art。在高端手机上可实时渲染，720商品展示模型大小40M左右(相比于学术开源数据360展示更加复杂)

然而如果要真正达到业务落地要求，我需要进一步做到低端手机实时渲染，同时模型需要进一步压缩到5M的模型大小，进而我提出了：3D 体素模型高频检测算法，对低频区域用更少得体素点来表示，高频区域用更多的体素来表示。在结合HrSRG^[2]+体模型高频检测算法后，可以把一个6000w个点 NeRF 3d体素模型，减少到200w个点，存储空间和模型大小会减少到原来的1/30，效率也会有大幅度提升。相比于前沿方法PlenOctree^[3]、SNeRG^[4]等方法，该方法可以实现大幅度压缩，且清晰度更为清晰，同时能够把效率、推理速度、内存三者性能都能得到大幅度提升，达到了手机上5M模型，同时低端手机能够实时渲染的要求：

在效果上，可以更好的保持纹理清晰度，对于商品特征细节信息上，相比于NeRF达到更高精度还原：

展望未来

即使目前目标任务基本完成，达到业务上线要求，我依旧喜欢更进一步精细打磨算法性能，比如NeRF^[1] 体素表示现在模型大小压缩到5M左右，精益求精，未来还是希望进一步能够压缩到1M以内，NeRF^[1]在低端机实时渲染效率依旧需要进一步提升到50FPS以上，每向前走一步都是成长。

参考文档

1、NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis

2、《 Digging into Radiance Grid for Real-Time View Synthesis with Detail Preservation》

3、《PlenOctrees for Real-time Rendering of Neural Radiance Fields》

4、《Baking Neural Radiance Fields for Real-Time View Synthesis》

5、《O2U-Net: A Simple Noisy Label Detection Approach for Deep Neural Networks  》

作者：黄锦池（尘漠）
来源：大淘宝技术