论文地址:https://arxiv.org/pdf/2312.07541.pdf 本质上讲,SMERF是一种基于NeRFs的方法,依赖于内存效率更高的MERF(Memory-Efficient Radiance 谷歌等研究人员结合一种分层模型划分的方案,其中空间的不同部分和学习参数由不同的MERF表示。 这不仅增加了模型容量,而且同时限制了计算和内存要求。 在这个方法中,已经训练好的高质量Zip-Nerf模型(教师),被用来训练一个新的MERF模型(学生)。 如下图,「教师监督」的整体流程。 表1所示的结果表明,对于适度的空间细分K,最新方法的精度大大超过了MERF和3DGS。
4.MERF: Memory-Efficient Radiance Fields for Real-time View Synthesis in Unbounded Scenes 标题:MERF:用于无界场景中实时视图合成的内存高效辐射场 Barron, Peter Hedman 文章链接:https://arxiv.org/abs/2302.04761 项目代码:t https://merf42.github.io 神经辐射场可实现最先进的逼真视图合成 我们提出了一种内存高效辐射场 (MERF) 表示,可在浏览器中实现大规模场景的实时渲染。MERF 使用稀疏特征网格和高分辨率 2D 特征平面的组合减少了先验稀疏体积辐射场的内存消耗。
MERF: Memory-Efficient Radiance Fields for Real-time View Synthesis in Unbounded Scenes.
Milliseconds())rf.lastActiveTime = time.Now()rf.timeoutInterval = randElectionTimeout()rf.votedFor = rf.merf.term RoleNonerf.persist()} else if voteGranted > rf.nPeers/2 { //成为Leaderrf.leaderId = rf.merf.role