D-TensoRF：面向动态场景的张量辐射场

神经辐射场（NeRF）作为重建 3D 场景的一种有前景的方法受到关注。随着 NeRF 的出现，后续研究已开展以建模包含运动或拓扑变化的动态场景。然而，它们大多使用额外的形变网络，拖慢了训练和渲染速度。张量辐射场（TensoRF）近期展示了其以紧凑模型尺寸快速、高质量重建静态场景的潜力。本文中，我们提出 D-TensoRF，一种面向动态场景的张量辐射场，能够在特定时间实现新视角合成。我们将动态场景的辐射场视为一个 5D 张量。该 5D 张量表示一个 4D 网格，其中每个轴对应 X、Y、Z 和时间，且每个元素具有 1D 多通道特征。类似于 TensoRF，我们将该网格分解为秩一张量分量（CP 分解）或低秩矩阵分量（新提出的 MM 分解）。我们还使用平滑正则化来反映不同时间特征之间的关系（时间依赖性）。我们进行了广泛评估以分析我们的模型。我们展示了采用 CP 分解和 MM 分解的 D-TensoRF 均具有较短训练时间以及显著低的内存占用，并在与 3D 动态场景建模中最先进方法的比较中取得量化与定性上具有竞争力的渲染结果。