Neural NeRF Compression

神经辐射场（NeRFs）通过连续体积表示成为捕捉详细三维场景的强大工具。最近的NeRFs利用特征网格来提高渲染质量和速度，但是这些表示引入了显著的存储开销。本文提出了一种新的方法，用于有效压缩基于网格的NeRF模型，解决存储开销问题。我们的方法基于非线性变换编码范例，采用神经压缩来压缩模型的特征网格。由于缺乏涉及许多i.i.d场景的训练数据，我们设计了一种无编码器、端到端优化的方法，用于单个场景，使用轻量级解码器。为了利用潜在特征网格的空间不均匀性，我们引入了一种重要性加权的率失真目标和一种使用掩蔽机制的稀疏熵模型。我们的实验结果验证了我们提出的方法在基于网格的NeRF压缩效率和重建质量方面优于现有的工作。

本文旨在解决NeRF模型使用特征网格时所面临的存储开销问题，提出了一种有效的压缩方法。

本文采用基于非线性变换编码范式的神经压缩来压缩NeRF模型的特征网格，引入了重要性加权的失真率目标和使用掩码机制的稀疏熵模型，以利用特征网格的空间非均匀性。

本文的实验结果验证了提出的方法在网格压缩效率和重建质量方面优于现有的方法。本文的方法可以在没有大量i.i.d场景训练数据的情况下进行端到端优化。

在这个领域中，最近的相关研究包括：《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》、《NeRF++: Analyzing and Improving Neural Radiance Fields》等。