OSDI 2023: 3D Video Loops From Asynchronous Input

我们使用以下6个分类标准对本文的研究选题进行分析：

1. 场景表示:

这个标准根据研究对所研究场景的表示方式进行分类。每个类别都有不同的优势和局限性：

• 神经辐射场 (NeRF): 该技术将场景表示为一个连续的体积，其中每个点都有颜色和密度值。它对于复杂场景很强大，但计算成本很高。
• 体积表示: 类似于 NeRF，它使用 3D 网格来存储体素信息，提供高效的操作，但可能需要大量的内存。
• 全景/光场视频: 这些同时捕捉场景的多个视图，实现逼真的视图合成，但可能体积庞大且难以捕捉。
• 其他: 该类别涵盖了各种表示形式，如层叠模型、网格表示和隐式神经表面，每个都适用于特定场景。

2. 场景动态:

这个标准根据场景是否静态或动态对研究进行分类：

• 静态: 这些研究侧重于没有或最小移动的场景，简化了分析和视图合成技术。
• 动态: 这些研究处理具有移动对象或随时间变化的场景，需要更复杂的方法来捕捉和表示动态。
• 部分动态: 这中间类别涵盖了特定元素移动的场景，而背景保持静态，呈现独特的挑战。

3. 视图合成技术:

这个标准根据用于从捕获数据生成新视图的方法对研究进行分类：

• 基于神经网络: 深度学习技术，特别是 NeRF，由于其灵活性和质量，越来越流行用于视图合成。<