CVPR 2023: Multiscale Tensor Decomposition and Rendering Equation Encoding for View Synthesis

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. 表示类型

• 连续场景表示（NeRF 类）： 将场景隐式定义为一个连续场，允许在任意点查询。
• 离散场景表示： 使用显式 3D 结构，例如体素或点云。
• 混合表示： 结合连续和离散表示的优势。

2. 表示编码

• 单尺度编码： 直接将特征编码到网格或 MLP 上。
• 多尺度编码： 分层结构允许在不同细节级别进行表示，有助于提高效率和高频细节恢复。
• 张量分解： 将特征组织成结构化张量，而不是简单的网格。

3. 视点依赖处理

• 位置编码： 神经网络以 3D 位置和 2D 视点方向作为输入，直接学习视点相关效果。
• 显式视点依赖表示： 分离出导致场景外观随视点变化的因素。
• 特征空间渲染方程编码： 将光传输原理直接嵌入到模型的学习特征中。

4. 材质/外观建模

• 隐含在辐射场中： 将颜色和光相互作用视为位置和方向的函数，没有明显的材质。
• 神经材质分解： 从图像中提取显式的表面材质属性、光照和几何形状。
• 基于表面的技