SLS4D：用于 4D 新视角合成的稀疏潜在空间

神经辐射场（NeRF）在静态场景的新视角合成和 3D 表示方面取得了巨大成功。现有的动态 NeRF 通常利用局部稠密网格来拟合形变场；然而，它们未能捕捉全局动态，同时产生了参数量庞大的模型。我们观察到 4D 空间本质上是稀疏的。首先，由于运动的连续性，形变场在空间上是稀疏的，但在时间上是稠密的。其次，辐射场仅在底层场景的表面上是有效的，通常只占据整个空间的一小部分。因此，我们提出使用一种可学习的稀疏潜在空间来表示 4D 场景，也称为 SLS4D。具体而言，SLS4D 首先使用稠密的可学习时间槽特征来描绘时间空间，并通过线性多层感知机（MLP）从中拟合形变场，以预测任意时间下 3D 位置的位移。然后，它使用另一个稀疏潜在空间学习 3D 位置的空间特征。这是通过利用注意力机制学习每个潜在码的自适应权重来实现的。大量实验证明了我们的 SLS4D 的有效性：它仅使用最新工作约 $6\%$ 的参数就实现了最佳的 4D 新视角合成。