Lagrangian Hashing for Compressed Neural Field Representations

我们提出了Lagrangian Hashing，这是一种神经场表示方法，结合了依赖于欧拉网格的快速训练NeRF方法（例如InstantNGP）和使用带有特征的点来表示信息的方法（例如3D高斯喷洒或PointNeRF）。我们通过将基于点的表示方法纳入InstantNGP表示的高分辨率层级哈希表中，实现了这一点。由于我们的点带有影响场，因此我们的表示可以被解释为在哈希表中存储的高斯混合物。我们提出了一种损失函数，鼓励我们的高斯分布向需要更多表示预算才能得到足够好的表示的区域移动。我们的主要发现是，我们的表示方法允许使用更紧凑的表示方法重建信号，而不会影响质量。

本论文旨在提出一种新的神经场表示方法，将Eulerian网格和点云特征相结合，以更紧凑的表示方式重建信号。

该论文的关键思路是将点云特征嵌入到InstantNGP表示的高分辨率层中，形成一种高斯混合模型的表示方式，并采用一种新的损失函数来优化模型。

论文的实验结果表明，该方法可以在更紧凑的表示方式下实现信号重建，且不会影响重建质量。此外，该方法还使用了多个数据集进行测试，并开源了代码。

与此论文相关的研究包括：3D Gaussian Splatting和PointNeRF等基于点云的表示方法，以及InstantNGP等基于Eulerian网格的表示方法。