NAS-NeRF：面向神经辐射场的生成式神经架构搜索

神经辐射场（NeRF）可实现高质量新视角合成，但其高计算复杂度限制了可部署性。尽管现有基于神经的方法力求高效，它们无论场景复杂度如何都使用一刀切的架构。同一架构对于简单场景可能过大，对复杂场景却不足。因此，需要动态优化 NeRF 的神经网络组件，以在计算复杂度与合成质量特定目标间取得平衡。我们提出 NAS-NeRF，一种生成式神经架构搜索策略，通过平衡架构复杂度与目标合成质量指标，生成紧凑且场景专用的 NeRF 架构。我们的方法纳入对目标指标与预算的约束，以引导搜索朝向为每个场景定制的架构。在 Blender 合成数据集上的实验表明，所提 NAS-NeRF 可生成比基线 NeRF 小至多 5.74$\times$、FLOPs 少 4.19$\times$、在 GPU 上快 1.93$\times$ 的架构，且不损失 SSIM。此外，我们展示 NAS-NeRF 还能实现比基线 NeRF 小至多 23$\times$、FLOPs 少 22$\times$、快 4.7$\times$ 的架构，且仅带来 5.3% 的平均 SSIM 下降。我们的源代码也已公开于 https://saeejithnair.github.io/NAS-NeRF。