面向动态体积场景可视化合成的高效多维神经辐射场表示——ViSNeRF
图形学
2025-02-25 v1
摘要
领域科学家常面临大规模模拟数据的 I/O 与存储挑战。虽然保存可视化图像虽实用，但仅限于预选视点、传递函数和仿真参数。近期的科学可视化进展利用深度学习技术进行可视化合成，通过在训练期仅提供图像样本的方式，有效推断未见的可视化。然而，由于缺乏 3D 几何感知，现有方法通常需要大量训练图像和显著学习时间才能生成可靠的新可视化。为此，我们提出了 ViSNeRF，一种基于神经辐射场的 3D 感知可视化合成方法。利用多维辐射场表示，ViSNeRF 能从稀疏的标记图像样本中高效重建动态体积场景的可视化，同时灵活探索传递函数、等值面、时间步或仿真参数。通过定性和定量比较评估，我们展示了 ViSNeRF 在多个代表性基线方法上的优异性能，确立其作为最先进解决方案的地位。代码已公开于 https://github.com/JCBreath/ViSNeRF。
引用
@article{arxiv.2502.16731,
title = {ViSNeRF: Efficient Multidimensional Neural Radiance Field Representation for Visualization Synthesis of Dynamic Volumetric Scenes},
author = {Siyuan Yao and Yunfei Lu and Chaoli Wang},
journal= {arXiv preprint arXiv:2502.16731},
year = {2025}
}