马普所Nerf新作《TensoRF》阅读笔记

链接：

1. Arxiv链接：https://arxiv.org/pdf/2203.09517.pdf
2. 主页链接：https://apchenstu.github.io/TensoRF/
3. 代码链接：https://github.com/apchenstu/TensoRF

视频：

TensoRF: Tensorial Radiance Fields

作者是上科大虞老师学生陈安沛，现在德国马普所AG组做博士后，非常优秀的一篇nerf文章。

创新点：

本文提出了一种nerf重建与表达的新范式，核心思想是将单个4D神经辐射场利用张量分解技术，使用多个紧凑的因子化的低秩张量组件来重建，即下图：

左边是场景，右边是用了一些低秩张量组件来描述左边场景的外观(RGB)与几何变化($\sigma$)，XYZ每个维度都存在一组matrix和vector，体积密度（$\sigma$）和颜色(RGB)可以通过计算matrix与vector的外积（outer product）得到，这么做的好处是极大的提升了重建效率(训练时间)与效果(PSNR)，降低了存储成本(模型存储大小)，如下图：

方法：

- 分解方式：

首先，本文提出了两种分解方式（如下图）：

1. CP分解：将场景张量T分解为多个向量外积的和，$\tau ={\sum }_{r=1}^R{V}_r^1\circ V_r^{}$