Fact-Hash：用于高效神经辐射场的分解多分辨率HashGrid——边缘设备上的执行
计算机视觉与模式识别
2026-04-06 v1
摘要
我们提出了Fact-Hash，一种用于在设备上训练神经辐射场（NeRF）的新型参数编码方法。神经辐射场（NeRF）在3D表示中已被证明至关重要，但其应用受到大量计算资源的限制。在设备上训练可以开辟广阔的应用领域，在通信限制、隐私关切和场景频繁变化的快速适应方面具有优势。然而，GPU内存、存储和电源等有限资源的挑战阻碍了其部署。为应对这一挑战，我们提出了Fact-Hash，一种将张量分解与哈希编码技术相结合的新型参数编码方法。这种集成提供了两个优势：丰富的高分辨率特征使用和少样本鲁棒性。在Fact-Hash中，我们将3D坐标投影到多个低维形式（2D或1D），然后应用哈希函数，再将它们聚合为单个特征。与最先进方法的对比评估表明Fact-Hash在保持质量和渲染速度方面具有优越的内存效率。Fact-Hash节省超过三分之一的内存使用，同时保持了与先前编码方法相当的PSNR值。在设备上实验验证了Fact-Hash在计算效率和能耗方面相对于替代位置编码方法的优越性。这些发现突显了Fact-Hash作为改善特征网格表示、解决内存约束和提高各种应用质量的潜在解决方案。项目页面：https://facthash.github.io/
引用
@article{arxiv.2604.02836,
title = {Factorized Multi-Resolution HashGrid for Efficient Neural Radiance Fields: Execution on Edge-Devices},
author = {Kim Jun-Seong and Mingyu Kim and GeonU Kim and Tae-Hyun Oh and Jin-Hwa Kim},
journal= {arXiv preprint arXiv:2604.02836},
year = {2026}
}
备注
Accepted for publication in IEEE Robotics and Automation Letters (RA-L)