我们采用以下六个标准,旨在根据基本特征和应用对不同的神经辐射场(NeRFs)进行分类。以下是每个标准的详细解释:
-
表征类型:
- 隐式:隐式表示将场景定义为一个连续函数,通常使用神经网络。此函数将3D空间中的坐标映射到颜色和密度等属性。隐式表示的优势在于它们能够表示复杂的形状和外观,而无需显式存储几何信息。
- 显式:显式表示使用离散的几何图元(如网格或点云)来定义场景的结构。这些表示通常更易于操作和编辑,但可能难以有效地捕捉精细的细节或复杂的形状,不如隐式表示。
-
场景规模:
- 小规模:这是指空间范围有限的场景,例如单个物体或小型室内环境。为小规模场景设计的方法在应用于更大的环境时可能效率不高或不准确。
- 大规模:大规模场景包括城市景观或自然景观等广阔区域。表示和渲染此类场景由于复杂性和计算要求的增加而带来了挑战。通常需要专门的技术来有效处理这些场景的规模。
-
场景动态:
- 静态:静态场景是物体及其属性随时间保持不变的场景。大多数早期的NeRF模型都专注于静态场景,因为它们更简单。
- 动态:动态场景涉及随时间变化,例如移动的物体、变形的形状或变化的照明条件。对动态场景建模不仅需要捕捉场景的空间方面,还需要捕捉时间方面,这使其成为一个更具挑战性的问题。
-
渲染技术:
- 体积渲染:这种技术涉及沿着穿过场景的光线累积颜色和密度值。NeRF模型通常使用它通过模拟光与场景体