Mip-NeRF 360与Zip-NeRF的直方图损失函数详解

Mip-NeRF 360的直方图损失函数

Mip-NeRF 360 的直方图损失函数如下：

其中戴帽子的变量表示NeRF MLP采样的结果，不戴帽子的变量表示proposal MLP采样的结果，损失函数值值越大，表明两个MLP采样结果差别越大，即两个MLP产生的直方图差异越明显。

由公式13可知，当时认为存在损失，即当时损失才不为0.

由公式12的求和条件 可知，函数表示的是与区间重叠的区间对应的权重之和. 由上面的描述可以画出下图：

图中红色阴影部分面积对应，黑色阴影部分面积对应

如果红色面积大于黑色面积，则可以计算损失：；其中是红色阴影部分的面积，是黑色阴影部分的面积. 如果红色面积小于黑色，则损失.

遍历所有；把这样的损失全部加和，就得到最终损失，也就是公式13.

Zip-NeRF的直方图损失函数

个人认为Zip-NeRF提出的损失函数更加科学合理。首先将NeRF MLP采样形成的直方图转变为“概率密度函数”然后按照proposal MLP产生的直方图的区间进行重新采样，最后计算两部分的面积之差作为损失。

至于如何将直方图转变为“概率密度函数”，文章中是利用一个卷积操作将直方图平滑化，从而近似于一个“概率密度函数”。