InfNeRF: Towards Infinite Scale NeRF Rendering with O(log n) Space Complexity

本文介绍的传统基于网格的细节层次（LoD）技术，例如Google Earth和许多游戏引擎，展示了综合表示大场景（甚至是地球）的能力，并实现了O(log n)的空间复杂度渲染。这种约束性数据要求不仅提高了渲染效率，而且有助于动态数据获取，从而为用户提供无缝的3D导航体验。在这项工作中，我们通过引入八叉树结构来扩展这种经过验证的LoD技术到神经辐射场（NeRF）。这种创新方法提供了一种数学上简单而优雅的表示方式，具有O(log n)的渲染空间复杂度，与基于网格的LoD技术的效率相一致。我们还提出了一种新颖的训练策略，保持O(n)的复杂度。该策略允许并行训练，并确保我们提出的方法的可扩展性和效率。我们的贡献不仅在于扩展现有技术的能力，而且在于建立使用NeRF和八叉树结构进行可扩展和高效大规模场景表示的基础。

本论文旨在将传统的网格化细节层次技术扩展到神经辐射场（NeRF）中，以提高大规模场景的可扩展性和效率。

论文通过引入八叉树结构来表示不同尺度的场景，从而扩展了现有技术的能力，并提出了一种新的训练策略，以保持O(n)的复杂度。

论文提供了一种简单而优雅的表示方法，具有与网格化细节层次技术相当的渲染空间复杂度。同时，论文的训练策略允许并行训练并具有最小的开销。实验结果表明，该方法在大规模场景中具有良好的可扩展性和效率。

近期的相关研究包括NeRF的改进和扩展，以及其他场景表示方法的研究，如点云和体素。相关论文包括《NeRF++: Analyzing and Improving Neural Radiance Fields》和《Learning Representations and Generative Models for 3D Point Clouds》等。