基于软演员-评论家强化学习的自适应光线采样：SAC-NeRF
计算机视觉与模式识别
2026-03-18 v1 人工智能
摘要
神经辐射场 (NeRF) 已实现逼真的新视角合成，但因体积渲染中的稠密光线采样而存在计算效率低下的问题。我们提出 SAC-NeRF，一个基于软演员-评论家 (SAC) 的强化学习框架，用以学习自适应采样策略。该方法将采样建模为马尔可夫决策过程，其中 RL 智能体根据场景特征学习分配样本。我们引入三个技术组件：(1) 基于高斯混合分布的颜色模型提供不确定性估计，(2) 多目标奖励函数在质量、效率和一致性之间进行权衡，(3) 两阶段训练策略解决环境非平稳性问题。在 Synthetic-NeRF 和 LLFF 数据集上进行实验表明，SAC-NeRF 可将采样点数降低 35-48%，同时将渲染质量保持在密集采样基线的 0.3-0.8 dB PSNR 范围内。虽然所学策略为场景特定且强化学习框架增加了复杂度，但我们的工作表明数据驱动的采样策略能够发现难以手工设计的有效模式。
引用
@article{arxiv.2603.15622,
title = {SAC-NeRF: Adaptive Ray Sampling for Neural Radiance Fields via Soft Actor-Critic Reinforcement Learning},
author = {Chenyu Ge},
journal= {arXiv preprint arXiv:2603.15622},
year = {2026}
}