AI人工智能技术：神经辐射场在视图合成领域取得了前所未有的质量，但其体积公式依然昂贵，需要大量样本以渲染高分辨率图像。对于表示模糊几何（如树叶和头发），体积编码至关重要，并且适用于随机优化。然而，许多场景主要由实体表面组成，可以通过每个像素的单个样本准确渲染。为解决这一问题，他们提出了一种神经辐射公式，实现了基于体积和基于表面的渲染之间的平滑过渡，从而显著提高了渲染速度，甚至增强了视觉保真度。
该方法构建了一个显式网格包络，该包络在空间上限制了神经体积表示。在实体区域中，包络几乎会聚到一个表面，通常可以使用单个样本进行渲染。为实现这一点，他们推广了NeuS公式，该公式具有学习到的空间变化的核大小，该核编码密度的扩散，将宽核拟合到体积状区域，将紧密核拟合到表面状区域。然后，在表面周围提取一个窄带的显式网格，其宽度由内核大小决定，并微调该带内的辐射场。在推理时，他们将光线投射到网格上，并仅在封闭区域内评估辐射场，从而显著减少了所需的样本数量。
实验证明，他们的方法在高效渲染的同时能够保持非常高的视觉保真度。他们还展示了提取的包络支持各种下游应用，包括动画和模拟。这一创新性的方法为视图合成领域带来了新的可能性和效率。
