谷歌提出Zip-NeRF，基于网格的反偏差神经辐射场，比mip-NeRF360快22倍

​

Zip-NeRF: Anti-Aliased Grid-Based Neural Radiance Fields

Jonathan T. Barron, Ben Mildenhall, Dor Verbin, Pratul P. Srinivasan, Peter Hedman

一作Jonathan T. Barron在加州大学伯克利分校攻读博士学位，在那里得到了Jitendra Malik的建议，并得到了NSF GRFP的资助。获得C.V.Ramamoorthy杰出研究奖和PAMI青年研究员奖。

通过在NeRF从空间坐标到颜色和体积密度的学习映射中使用基于网格的表示，可以加速神经辐射场的训练。然而，这些基于网格的方法缺乏对尺度的明确理解，因此经常引入混叠，通常是以锯齿或丢失场景内容的形式出现。mip-NeRF 360先前已经解决了抗锯齿问题，该方法对沿锥体的子体积而不是沿射线的点进行推理，但这种方法与当前基于网格的技术并不天然兼容。我们展示了如何利用渲染和信号处理的思想来构建一种技术，将mip-NeRF 360和基于网格的模型（如Instant NGP）结合起来，产生的错误率比之前的技术低8%-76%，并且比mip-NeRF 360快22倍。

https://arxiv.org/abs/2304.06706 

​Read More