用于高效神经辐射场渲染的自适应壳层

神经辐射场在新视角合成方面达到了前所未有的质量，但其体积表示仍然昂贵，需要大量采样才能渲染高分辨率图像。体积编码对于表示 foliage 和头发等模糊几何至关重要，并且非常适合随机优化。然而，许多场景最终主要由实体表面构成，每个像素单次采样即可精确渲染。基于这一洞察，我们提出了一种神经辐射表示，可在体积渲染与基于表面的渲染之间平滑过渡，大幅加速渲染速度甚至提升视觉保真度。我们的方法构建了一个显式网格包络，在空间上约束神经体积表示。在实体区域，包络几乎收敛为表面，通常可用单次采样渲染。为此，我们推广了 NeuS 公式，引入学习的空间变化核大小来编码密度的扩散，对类体积区域拟合宽核，对类表面区域拟合紧核。然后我们提取表面周围窄带的显式网格，其宽度由核大小决定，并在该带内微调辐射场。在推理时，我们对网格投射光线，仅在该封闭区域内评估辐射场，大幅减少所需采样数。实验表明，我们的方法能够实现极高保真度的高效渲染。我们还展示了提取的包络可支持动画与仿真等下游应用。