Efficient Dynamic-NeRF Based Volumetric Video Coding with Rate Distortion Optimization

体积视频由于其沉浸式的3D逼真感和互动性，在各种应用中具有巨大的潜力，但是巨大的数据量也带来了压缩方面的重大挑战。最近，由于其简单的表达方式和强大的3D建模能力，NeRF在体积视频压缩方面展现出了显著的潜力，其中值得注意的工作是ReRF。然而，ReRF将建模与压缩过程分离，导致压缩效率不够优化。相比之下，在本文中，我们提出了一种更紧凑的基于动态NeRF的体积视频压缩方法。具体来说，我们将NeRF表示分解为系数场和基场，并在时间域中逐步更新基场以实现动态建模。此外，我们对建模和压缩过程进行端到端的联合优化，以进一步提高压缩效率。广泛的实验表明，与ReRF相比，我们的方法在各种数据集上实现了更高的压缩效率。

论文旨在提出一种基于动态NeRF的体积视频压缩方法，以提高压缩效率。

论文将NeRF表示分解为系数场和基场，通过在时间域中增量更新基场来实现动态建模，同时进行端到端联合优化来进一步提高压缩效率。

论文在多个数据集上进行了实验，并展示了与ReRF相比更高的压缩效率。此外，论文的方法还具有更紧凑的表示形式和动态建模的能力。

与本文相关的研究包括ReRF、NeRF、以及体积视频压缩等方面的研究。