提高 NeRF 渲染质量的模型无关性混合专家框架

自 NeRF 提出以来，针对提高其训练和推理时间的研究者们一直关注这一问题，导致了 Fast-NeRFs 模型的发展。尽管这些模型在渲染速度和质量方面都表现出色，但其快速收敛为进一步提高重建质量带来了挑战。提高渲染质量的常用策略包括增大模型参数或增加采样点数。然而，这些计算密集型方法在实现显著质量提升方面存在局限。本研究引入一种受稀疏门控混合专家启发的模型无关框架，以不增加计算复杂度来提升渲染质量。我们的做法通过采用分辨率不同的混合专家来实现对不同场景组件的专业化。我们提出了一种新的门控公式以最大化专家能力，并提出一种基于分辨率的路由技术以有效诱导稀疏性并分解场景。我们的工作在保持竞争性能的同时显著提高了重建质量。