查看
BBC的NeRFs最佳用例
（
日前，BBCResearch&Development的视觉计算团队与BBC6Music音乐频道合作，使用NeRFs技术来支持年度的T恤日活动（粉丝可以穿上自己最喜欢的乐队T恤并点歌）。在一篇博文中，他们撰文介绍了如何用2D智能手机图像创建令人印象深刻的3D视频：
我们的任务是为
因为工作室往往是相对较小的空间，我们通常不会为广播制作复杂的移动镜头，所以我们认为这可能是NeRFs的最佳用例。
NeRFs这种神经网络可以表示真实的生活场景，并允许我们非常自由地在场景中移动。它们使用一组来自环境的2D图像进行训练，而一旦处理，我们就可以制作新的视觉路径（或移动镜头）。NeRFs并不新鲜，我们从2020年开始就一直在研究它们，但新视图合成算法的最新进展意味着输出的质量和我们创建NeRFs的速度都得到了极大的提高。我们期待这项技术继续快速发展，但我们非常好奇我们现在是否已经能够创造出可用的内容。
它们在展示冻结的“时刻”和穿越相关空间的旅程之间提供了一条有趣的路线，而我们在制作每个视频时都学到了关于捕获或处理NeRFs过程的新知识。
我们制作NeRFs的指南
Nerfacto。
决定你想要通过场景导出的帧和动作。
查看生成的视频。
如果视频结果如你所愿，恭喜你，你现在可以将其放到编辑中。
但如果视频没有达到你想要的效果，要么重新导出不同的路径（相对快速和简单），要么重新训练你的神经网络（缓慢和烦人），或者甚至回去重新捕获视频（有时是最快的方法，但绝对令人讨厌）。
有人坐在桌子旁用电脑编辑拍摄的视频，桌上的记事本代表着视频中场景的空间。在记事本上写下乐队成员在现场的位置。
每个视频需要几分钟来拍摄，最多一个小时来处理，大约9个小时来训练网络，半小时来选择我们的路径，大约4个小时来导出一个可用的最终视频。正如有人指出的一样，这个过程很像冲洗一卷胶卷，你必须耐心等待它的结果。
我们决定将我们的视频导出为相当缓慢的空间旅程，这使得稍后在视频编辑器中改变路径的速度变得更加容易。
我们的第一个NeRFs是玛丽·安妮·霍布斯（MaryAnneHobbs），她非常耐心地帮助了我们。我们在工作室里放置了一个面板灯，以确保与背景相比可以捕获到最清晰的玛丽。我们不确定我们想要什么样的路径，所以我们全面地捕获了整个工作室，包括玛丽·安妮的背后，以及面对房间的各个方面，涵盖高低角度。所以，当从90秒的视频中提取时，大部分输入都不是玛丽·安，而是工作室和其中的所有细节。
这意味着神经网络有大量的视觉信息要存储，不仅是玛丽·安，还有房间的所有细节，并将它们呈现为几乎相同的质量。这让我们在选择最终的路径方面有了很大的灵活性，但我们的实际拍摄对象玛丽·安的分辨率低于通常通过编辑标准的分辨率。
我们从第一个实验中得出的结论是，在为NeRFs捕获数据之前，重要的是要了解你希望采用的路径。这包括你想要关注的内容以及你想要看到的视角范围，以便将网络的注意力集中在目标区域。
