机器学习笔记 - 神经辐射场（NeRF）的简要概述

一、简述

        神经辐射场十分重要。在表示和渲染 3D 场景领域，神经辐射场 (NeRF) 在准确性方面取得了巨大突破。

        给定底层场景的多个图像，NeRF 可以从任意视点重建该场景的高分辨率、2D 渲染图。与局部光场融合 (LLFF) 和场景表示网络 (SRN)  等现有技术相比，NeRF 更能够捕获场景外观和几何形状的复杂组成部分（例如，依赖于视图的反射和复杂的材料）。

        NeRF的研究目的是合成同一场景不同视角下的图像。方法很简单，根据给定一个场景的若干张图片，重构出这个场景的3D表示，然后推理的时候输入不同视角就可以合成（渲染）这个视角下的图像了。

        神经辐射场( NeRF) 是一种全连接神经网络，可以基于部分 2D 图像集生成复杂 3D 场景的视图。它被训练为使用渲染损失来再现场景的输入视图。它的工作原理是获取代表场景的输入图像并在它们之间进行插值以渲染一个完整的场景。NeRF 是一种为合成数据生成图像的高效方法。

        NeRF 网络经过训练，可直接从观看方向和空间位置（5D 输入）映射到不透明度和颜色（4D 输出），使用体积渲染来渲染新视图。NeRF 是一种计算密集型算法，复杂场景的处理可能需要数小时或数天。新的算法可以显着提高性能。

        为了理解 NeRF 的工作原理，我们先介绍一些基本概念。

        渲染

        渲染