本研究提出了“缩放反向图形”框架，旨在解决大规模场景学习的瓶颈。通过两阶段训练，显著降低了优化空间和资源消耗，实验结果显示其在训练时间和内存占用方面优于传统方法。

我们提出了Drone-NeRF框架，用于高效重建无人机倾斜摄影的大规模场景。该框架通过划分场景为子块并训练子场景，然后合并为完整场景，优化相机姿态和引导NeRF使用均匀采样器来提高模型准确性。此外，还使用哈希编码融合MLP加速密度表示，生成RGB和深度输出。该框架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。

该文介绍了一种基于 Cholesky 分解的新算法，用于高效解决大规模场景中阻尼 Fisher 矩阵的问题。该算法适用性广泛且速度快。

UE4-NeRF是一个神经渲染系统，能够实时渲染大规模场景，达到了4K分辨率下每秒43帧的帧率，并获得了与最先进方法相媲美的渲染质量。该系统通过场景分区、顶点优化和与UE4的光栅化流水线相结合等方法实现。