NeRF技术五年发展梳理综述：从神经辐射场到3D视觉应用的全面演进
研究人员对过去五年（2020-2025）的NeRF论文进行了全面调查
（映维网Nweon 2025年08月19日）2020年3月，神经辐射场NeRF的出现彻底改变了计算机视觉，允许隐式的、基于神经网络的场景表示和新颖的视图合成。如今，NeRF模型已在虚拟现实/增强现实等领域得到了广泛的应用。在一份名为《NeRF: Neural Radiance Field in 3D Vision: A Comprehensive Review》综述论文中，研究人员对过去五年（2020-2025）的NeRF论文进行了全面调查。
团队介绍了NeRF的理论及其通过可微体渲染的训练，同时对经典NeRF、隐式和混合神经表示以及神经场模型的性能和速度进行了基准比较，并概述了关键数据集：
神经辐射场（Neural Radiance Fields/NeRF） 使用可微分体渲染来学习一种隐式的神经场景表示。它使用多层感知器MLP来将3D场景的几何形状和光照作为神经场存储起来。这种学习到的表示随后可用于从用户指定的、新颖的视角生成场景的2D图像。Mildenhall等人于ECCV 2020首次提出了NeRF。自那以后，它在视觉质量方面达到了最先进水平，产生了令人印象深刻的演示，并启发了一系列后续工作。从2020年起，NeRF模型及后续基于神经场的体渲染模型已在照片编辑、3D表面提取、人体化身建模、大型/城市级3D表示与视图合成、以及3D物体生成等领域得到应用。
2023年，高斯飞溅（Gaussian Splatting）作为一种替代性的新视角合成框架，在诸多新视角合成基准测试以及3D视觉应用中超越了NeRF及其相关方法。因此，大量的研究兴趣转向了高斯飞溅。尽管如此，自2023年以来，对NeRF及NeRF相关的神经渲染研究依然在持续。
NeRF模型相对于其他经典的新视角合成和场景表示方法具有重要优势：
- NeRF模型是自监督的。 它们仅需场景的多视图图像即可训练。与许多其他3D场景的神经表示不同，NeRF模型仅需图像和姿态即可学习场景，不需要3D或深度监督。姿态可以使用运动恢复结构工具包（如COLMAP ）来估计。
- NeRF模型具有照片级真实感。 与经典技术、早期的新视角合成方法以及神经3D表示方法相比，原始的NeRF模型在视觉质量方面收敛到更好的结果，而更近期的模型表现更佳。
与基于高斯飞溅的方法相比（后者在新视角合成及相关研究中已很大程度上超越基于NeRF的方法），NeRF方法存在以下劣势：
- 高斯飞溅方法比NeRF方法更具照片级真实感，通常能收敛到能生成更高质量图像的表示。
- 高斯飞溅方法训练速度更快。在相同硬件，使用相同的训练图像，完全隐式的NeRF方法收敛所需时间长2到3个数量级。一旦训练完成，高斯飞溅方法的图像渲染速度比基于隐式NeRF的方法快几个数量级。
- 高斯飞溅方法使用基于3D点的表示，可以轻松转换为表示3D场景的常见数据结构——3D点云。另一方面，从典型的NeRF方法中提取显式的3D表示则更为困难。
然而，与高斯飞溅方法相比，NeRF方法具有以下优势：
- 隐式或混合的NeRF方法在训练后存储需求较低，通常在训练期间内存需求较低。
- 基于神经网络3D表示的NeRF方法更适用于需要或偏好隐式表示的3D视觉流程。
在这份综述论文中，研究人员组织撰写了一篇聚焦于NeRF方法和类NeRF神经渲染方法的综述论文。
1. 背景
......（全文 30633 字，剩余 29592 字）
