活动侦察员：在密集城市环境中使用神经辐射场进行多目标跟踪
内容提要
本文介绍了一种结合紧凑型无人机、360度相机和神经辐射场（NeRF）的方法，用于在严重破坏的城市环境中生成3D场景。研究提出了新的算法和框架，利用Lidar数据和多分辨率技术，提升了动态场景的重建和渲染效果，实现高效的路径规划和自主定位。
延伸解读
NeRF 在动态城市环境中的进展
文章梳理了神经辐射场（NeRF）从静态到动态场景的重建研究，特别是 D-NeRF 对动态场景的推广。通过多分辨率哈希编码等技术，NeRF 在合成和真实场景的 3D 重建中表现出潜力，但动态城市环境仍面临训练和渲染效率的挑战。
无人机自主导航与避障
利用机载 RGB 摄像头，无人机可在 NeRF 表示的 3D 场景中导航，并通过优化算法避免与高密度区域碰撞，实现路径在线重规划。DroNeRF 算法进一步支持单目相机无人机在少量图像下自主定位和实时三维重建，不依赖外部定位系统。
大规模场景渲染的优化策略
针对大型城市场景，研究提出多分辨率地面特征平面表示与位置编码输入相结合的框架，并采用分解辐射场方法和快速复合光线采样技术，以提升动态城市环境中训练和渲染的效率。这些策略旨在平衡渲染质量与计算成本。
几何精度与不确定性评估
Mip-NeRF 在几何性能上相比传统方法具有更好的完整性和物体细节，但在准确度方面仍存在不足。此外，通过预测渲染数据的不确定性，可在像素级别评估数据可靠性，并用于视角选择策略，提高数据效率。
Q&A
神经辐射场（NeRF）在城市环境中的应用是什么？
神经辐射场（NeRF）用于在严重破坏的城市环境中生成3D场景，结合无人机和360度相机提升场景重建效果。
如何利用Lidar数据改善NeRF的性能？
利用Lidar数据可以改善基于NeRF的光线追踪和视图合成技术，从而提升动态场景的重建效果。
DroNeRF算法的主要功能是什么？
DroNeRF算法通过少量图像实现单目相机无人机的自主定位和实时三维重建，依赖于物体几何学进行计算。
该研究提出了哪些新技术来提升动态场景的渲染效率？
研究提出了新颖的分解辐射场方法和快速复合光线采样技术，以提升动态城市环境中的训练和渲染效率。
该框架如何实现对大型城市场景的高保真渲染？
框架结合多分辨率地面特征平面表示和位置编码输入，通过联合学习的方式实现对大型城市场景的高保真渲染。
NeRF在动态场景重建中的应用效果如何？
NeRF在动态场景重建中表现出色，能够成功推广至真实世界的动态场景，提升了重建的准确性和效率。
