CVT-xRF：基于对比度的体素内变压器用于稀疏输入的 3D 一致辐射场
内容提要
该论文提出了多种改进神经辐射场（NeRF）的方法，如ConsistentNeRF、TiNeuVox和TensoRF，显著提升了稀疏视图下的重建质量和渲染性能。这些方法通过引入深度信息、时间感知特征和高效采样技术，在新视角合成和三维重建方面表现优异，推动了实时化发展。
延伸解读
稀疏视图重建的深度一致性策略
在稀疏输入条件下，NeRF 的重建质量常因视图不足而下降。ConsistentNeRF 通过深度信息规范化像素间的 3D 一致性，在 DTU、NeRF Synthetic 和 LLFF 基准上显著提升性能，例如 PSNR 提高 94%、SSIM 提高 76%、LPIPS 提高 31%。这表明引入深度约束是缓解稀疏视图问题的有效途径，也为后续研究提供了可借鉴的方向。
动态辐射场的时间感知优化
针对动态场景，TiNeuVox 采用时间感知体素特征表示场景，并引入多距离插值方法模拟不同幅度的动作，从而加速动态辐射场的优化。在合成和真实场景的评估中，其渲染性能与先前动态 NeRF 方法相当甚至更优。这提示时间信息的显式建模对动态重建至关重要，且体素表示有助于平衡效率与质量。
高效辐射场表示与实时化进展
TensoRF 利用 4D 张量模型和 CP、VM 分解重构辐射场，在提升渲染质量的同时保持较小模型和较短重构时间。VoxNeRF 则通过体素表示和体素引导采样增强室内视图合成，速度甚至超越 Instant-NGP。这些工作共同推动了 NeRF 向实时化发展，表明张量分解与体素结构是提升效率的关键技术。
多模态与几何引导的扩展应用
ViCA-NeRF 首次利用文本指令进行三维编辑并保持视图一致性，MVG-NeRF 结合多视角几何与 NeRF，使用像素级深度和法线引导优化，SfMNeRF 则融合自监督深度估计与极线、光度一致性约束。这些方法拓展了 NeRF 在编辑、重建和自监督学习方面的能力，显示了几何先验与多模态信息对提升泛化性和质量的价值。
Q&A
ConsistentNeRF 方法如何提高稀疏视图下的重建质量？
ConsistentNeRF 方法通过深度信息规范化像素之间的 3D 一致性，显著提高了重建质量。
TiNeuVox 框架的主要特点是什么？
TiNeuVox 框架通过时间感知体素特征表示场景，强化时间信息，优化动态辐射场，提升渲染性能。
TensoRF 如何在保持小模型大小的同时提高渲染质量？
TensoRF 采用 4D 张量模型和分解技术重构辐射场，从而提高渲染质量并保持较小模型大小。
VoxNeRF 在视图合成方面的优势是什么？
VoxNeRF 利用体积表示增强室内视图合成质量和效率，推动技术向实时化发展。
MVG-NeRF 如何结合传统算法与神经辐射场？
MVG-NeRF 结合传统多视角几何算法和神经辐射场，使用像素级深度和法线引导优化，提高三维重建质量。
ViCA-NeRF 的创新之处在哪里？
ViCA-NeRF 是第一个运用文本指令进行三维编辑且具备视图一致性的方法，提供灵活、高效的编辑效果。
