面向动态场景的神经场景图

最近的隐式神经渲染方法已表明，仅通过一组RGB图像监督预测体积密度与颜色，即可学习复杂场景的精确视图合成。然而，现有方法局限于学习静态场景的高效表示，将全部场景物体编码进单一神经网络，缺乏表示动态场景及分解为独立场景物体的能力。本工作中，我们提出首个将动态场景分解为场景图的神经渲染方法。我们提出一种习得场景图表示，其编码物体变换与辐射，以高效渲染场景的新排列与视图。为此，我们学习隐式编码场景，并结合联合学习的潜表示，用单一隐函数描述物体。我们在合成与真实自动驾驶数据上评估所提方法，验证我们的方法仅通过观察该场景的一段视频即可学习动态场景，并能够渲染具有未见物体集与未见位姿的新场景组合的逼真新视图。