PyNeRF: Pyramidal Neural Radiance Fields

神经辐射场（NeRFs）可以通过空间网格表示显著加速。然而，它们不会明确地考虑比例因素，因此在重建拍摄于不同摄像机距离的场景时会引入混叠伪影。Mip-NeRF及其扩展提出了具有比例感知渲染器的方法，该渲染器投影体积视锥而不是点采样，但这些方法依赖于位置编码，这与网格方法不容易兼容。我们提出了一种简单的网格模型修改方法，即在不同的空间网格分辨率下训练模型头。在渲染时，我们只需使用更粗的网格来渲染覆盖更大体积的样本。我们的方法可以轻松应用于现有的加速NeRF方法，并显著提高渲染质量（在合成和无限制的真实场景中将误差率降低20-90%），同时产生最小的性能开销（因为每个模型头的评估速度很快）。与Mip-NeRF相比，我们将误差率降低了20%，同时训练速度提高了60倍。

该论文旨在解决NeRF模型在重建不同相机距离下的场景时引入的混叠伪影问题，提出了一种简单的修改方法来训练不同空间网格分辨率的模型头。

该论文的关键思路是通过训练不同分辨率的模型头来解决NeRF模型的混叠伪影问题，从而可以在渲染时使用较粗的网格来渲染覆盖更大体积的样本。

该方法可以轻松应用于现有的加速NeRF方法，并显著提高了渲染质量，同时性能开销很小。实验表明，相比Mip-NeRF，该方法减少了20％的误差率，训练速度快了60倍。该论文还使用了多个数据集进行实验，并提供了开源代码。

在这个领域中，最近的相关研究包括Mip-NeRF和其扩展，它们提出了投影体锥而不是点采样的规模感知渲染器，但这些方法依赖于位置编码，不容易与网格方法兼容。