KFD-NeRF：使用卡尔曼滤波器重新思考动态 NeRF
内容提要
本文介绍了D-NeRF等神经辐射场技术在动态场景重建和新视角合成中的应用与进展。这些方法通过引入时间变量和优化算法，实现了高效的动态场景渲染，显著提高了渲染质量和速度。研究表明，前向流场的估计有助于改善运动模型的学习，推动了3D渲染技术的发展。
延伸解读
动态NeRF的演进脉络
文章按时间顺序梳理了动态NeRF的关键进展：从D-NeRF将时间作为输入，到NR-NeRF利用便携相机重建非刚性场景，再到NeRFusion结合TSDF实现大规模室内重建。这些工作逐步解决了动态场景重建中的效率与质量问题，为后续研究奠定了基础。
效率提升的两种路径
DeVRF通过3D规范空间和4D变形场将学习速度提升100倍，而基于体素网格优化的方法在20分钟训练内达到与D-NeRF相当的性能，速度快70倍。两者分别从表示学习和优化策略入手，显著降低了动态NeRF的训练成本。
前向流场为何更优
文章指出，反向流场非平滑且不连续，难以适应平滑运动模型。前向流场在对象区域内平滑连续，有助于运动模型学习。为此，作者使用体素网格表示规范辐射场，并引入平均喷涂和修复网络解决多对一映射问题，实验证明其在新视角合成和运动建模上优于现有方法。
Q&A
D-NeRF 方法的主要功能是什么？
D-NeRF 方法扩展了神经辐射场到动态领域，允许从单个相机重建和渲染新图像。
NR-NeRF 如何提高动态场景的渲染质量？
NR-NeRF 能够使用便携式相机拍摄的动态场景 RGB 图像创建高质量的时空几何和外观表示。
NeRFfusion 是如何实现高效重建的？
NeRFfusion 结合了 NeRF 和 TSDF-based fusion 技术，实现了大规模室内场景的高效重建和逼真渲染。
DeVRF 方法的速度提升有多大？
DeVRF 使用3D规范空间和4D变形场加速学习动态辐射场，速度提高了100倍。
OD-NeRF 在动态场景渲染方面有什么进展？
OD-NeRF 实现了动态三维场景的流式训练和渲染，取得了重要进展。
前向流场的估计对运动模型学习有什么帮助？
前向流场的估计有助于改善运动模型的学习，推动了3D渲染技术的发展。
