DaReNeRF: 动态场景方向感知表示
内容提要
本文综述了动态神经辐射场（Dynamic NeRF）的多项进展，包括：D-NeRF将时间作为额外输入实现动态重建；Drone-NeRF面向无人机大规模场景高效重建；DCT-NeRF学习稳定轨迹保证帧间一致；三面体平面框架实现一次性多视角面部重现；WavePlanes用多尺度小波平面将模型压缩至约12MB，训练仅需一小时；此外还涉及网格化NeRF、动态SLAM建图、TriNeRFLet小波多尺度表示及OD-NeRF流式训练等。
延伸解读
动态NeRF的多样化技术路线
文章综述了多种动态NeRF方法，它们从不同角度解决动态场景重建问题。D-NeRF将时间作为额外输入，Drone-NeRF针对无人机大规模场景，DCT-NeRF学习稳定轨迹，三面体平面框架实现面部重现，WavePlanes则通过小波压缩模型。这些方法各有侧重，反映了动态NeRF领域的活跃探索。
WavePlanes的压缩与效率突破
WavePlanes利用多尺度小波平面表示，通过压缩哈希映射仅存储非零系数，将模型大小降至约12MB，比基于平面的模型小15倍，且训练仅需一小时，无需定制CUDA代码。这表明动态NeRF在保持性能的同时，正朝着更轻量、更易部署的方向发展。
动态NeRF的应用扩展
除了基础重建，动态NeRF技术正扩展到更多应用场景。例如，三面体平面框架实现一次性多视角面部重现，动态SLAM建图结合神经辐射场提升建图效率，OD-NeRF支持流式训练和渲染。这些进展显示动态NeRF在虚拟现实、自动驾驶等领域的潜力。
Q&A
D-NeRF 是如何实现动态场景重建的？
D-NeRF 将时间作为系统的额外输入，并将学习过程分为两个主要阶段，同时学习两个映射，从而能够控制相机视图和时间变量以及物体移动，实现从单个相机围绕场景重建和渲染对象的新图像。
Drone-NeRF 框架主要解决了哪些问题？
Drone-NeRF 框架通过将场景划分为均匀子块、并行训练并合并，优化相机姿态和引导 NeRF 使用均匀采样器，集成选择的样本提高准确性，哈希编码融合 MLP 加速密度表示，生成 RGB 和深度输出，解决了与场景复杂性、渲染效率和无人机获取图像准确性相关的挑战。
WavePlanes 模型如何实现高效压缩和快速训练？
WavePlanes 使用多尺度空间和时空特征平面表示，利用 N 级 2D 小波系数，通过逆离散小波变换重构特征信号，并利用小波系数的稀疏性压缩哈希映射，仅存储非零系数及其位置，从而将模型压缩至约 12 MB，训练仅需一小时，且无需定制 CUDA 代码或高性能计算资源。
三面体平面框架在面部重现方面有什么创新？
该框架使用三面体平面作为基本 NeRF 表示，将面的三个部分分解为规范三面体平面、身份形变和运动，并提出了平面字典（PlaneDict）模块，将运动条件高效映射到可学习的正交平面基的线性加权相加，是第一个在没有 3D 参数模型先验的情况下实现一次性多视角面部重现的方法。
TriNeRFLet 方法在三维恢复方面有什么优势？
TriNeRFLet 是一种基于二维小波的多尺度 Triplane 表示的新方法，在三维恢复表现上优于传统 Triplane 方法，并结合扩散模型进行超分辨率，提高了 NeRF 的分辨率。
OD-NeRF 实现了什么功能？
OD-NeRF 可以实现动态三维场景的流式训练和渲染，并在实现帧间隐式跟踪和采样方面取得了重要进展。
