CD-NGP：一种面向动态场景的快速可扩展持续表示

动态场景中的新视角合成 (NVS) 在内存消耗、模型复杂度、训练效率和渲染质量方面面临持续挑战。离线方法具有高保真度，但内存使用量大且可扩展性受限；而在线方法通常以质量换取速度和紧凑性。我们提出了持续动态神经图形原语 (CD-NGP)，这是一种通过参数重用来减少内存开销并增强可扩展性的持续学习框架。为避免动态场景中的特征干扰并提高渲染质量，该方法结合了空间和时间哈希编码，以紧凑地表示场景结构和运动模式。我们还引入了一个新数据集，包含多视角、长持续时间（$>1200$ 帧）且兼具刚性与非刚性运动的视频，这在现有基准中是不存在的。CD-NGP 在公开数据集和我们的长视频数据集上进行了评估，展现出卓越的可扩展性和重建质量。它将训练内存使用量显著降低至 <14GB，在 DyNeRF 上仅需 0.4MB/帧的流带宽——远低于大多数在线基线方法。