先从 NeRF 的基本原理 说起。 简单地说，神经辐射场就是把整个 3D 场景编码为神经网络的参数。 为了能够从任意新的视角渲染场景，神经网络至少需要学习空间中每个点的 RGB 颜色和体密度 \sigma （即这个点有没有被「占据」）。

NeRF或者Gaussian Splatting 本质上都是一种3D表征，用来存储几何与纹理。 它与NeRF是同一个“生态位”，尽管速度得到了提升，产生了惊艳的突破，未来可期。

前言 在 NeRF 这个领域也算做了有一段时间了，这段时间在知乎上很难看到有比较有深度还有系统性的关于 NeRF 的总结。 于是萌生了写这个个人总结的想法，也算是给自己的一个交代。

Q5： NeRF相比其他表示方法有什么优势？ A1： 刘烨斌（清华大学）： 我们理解的NeRF是一个对三维场景离散的概率表达，而SDF或者mesh相比来说是一个确定性的描述，NeRF其实完全是依靠离散化策略猜测物体在空间中的表达。

NeRF的主要作用是建立了一个3d模型的隐式表达，在训练完成之后我们就可以得到 体素密度在3d模型上的分布（从MLP网络中的density网络获取），可以推断出重建物体占据了哪些位置（输出的体素密度σ大于某个阈值（可以调整，程序中为10））。

Feb 2, 2023 · NERF (以大写作为NERF商标)是由帕克兄弟公司创建，目前由孩之宝公司所拥有的玩具品牌从1969创立至今拥有有上千种造型发射器，对于新人来说必然选购困难。那就给新人们来个简单的入坑指南，握紧你们的钱包。

如今，随着神经辐射场 (NeRF)的提出，许多工作都集中在将隐式场景表示与 SLAM 系统相结合。 虽然提升了重建精度，但实时增量 NeRF-SLAM 依然面临2个关键挑战： 场景表示能力不足：现有方法采用固定容量的全局模型，限制了对更大场景和更长视频序列的可扩展性。

总的来说，NeRF接下来能够比较好出成果的地方更多集中在对更实际条件下各种问题的解决，以及基于NeRF延伸的各种应用、各种任务。 按照现状推测，接下来NeRF肯定会继续火爆一段时间，在各大CV、CG的顶会也会有大量的文章发表。 20221114之后的更新

NeRF拉胯的泛化能力正是神经渲染的一大痛点，直到2023年或许才会在更多论文里被重视起来。 该怎么让NeRF获得跨场景的泛化能力？

NeRF（神经辐射场）是一种用于三维重建和场景渲染的技术，它通过神经网络对三维空间的连续体积进行建模。NeRF对像素的使用效率之所以高于传统的三维重建算法，比如基于特征匹配和三角测量的方法（例如COLMAP），主要原因在于它的工作原理和处理数据的方式有根本的不同。接下来，我们可以 ...