NeRF将场景表示为连续的3D体积。它不是使用离散的3D网格或点云，而是为场景内的任何3D点计算颜色和密度值的函数。通过在从不同视点捕捉的多个场景图像上训练神经网络，NeRF学习生成与观察图像一致且准确的表示。
训练完成NeRF模型后，它可以从任意相机视点合成场景的逼真新视图，创建高质量的渲染图像。NeRF旨在捕捉高保真的场景细节，包括复杂的光照效果、反射和透明度，这对传统的3D重建方法来说可能是具有挑战性的。
NeRF在生成高质量的3D重建和渲染场景的新视图方面展现出了有希望的结果，使其在计算机图形学、虚拟现实、增强现实和其他需要准确的3D场景表示的领域中非常有用。然而，NeRF也面临着计算上的挑战，因为它需要大量的存储和处理能力，特别是在捕获大型和详细的场景时。
三维高斯点渲染需要大量的三维高斯点来保持渲染图像的高保真度，这需要大量的存储和内存。通过减少高斯点的数量而不损失性能并压缩高斯属性可以提高效率。成均馆大学的研究人员提出了一种可学习的掩码策略，可以显著减少高斯点的数量同时保持高性能。
他们还提出了一种基于网格的神经场来紧凑但有效地表示视图相关颜色，而不是依赖于球谐函数。他们的工作提供了一个综合的3D场景表示框架，实现了高性能、快速训练、紧凑和实时渲染。
他们广泛测试了紧凑的三维高斯表示在各种数据集上，包括真实和合成场景。在各种实验中，无论数据集如何，与三维高斯点渲染相比，他们始终发现存储量减少了十倍以上，渲染速度提高了，同时保持了场景表示的质量。
点云方法已广泛用于渲染3D场景。最简单的形式是点云。然而，点云可能引起孔洞和走样等视觉伪影。研究人员提出了基于点的神经渲染方法，通过经过光栅化的点编码和可微分光栅化来减轻这些问题。
NeRF的未来有望革新3D场景理解和渲染，并且预计持续的研究工作将进一步推动边界，实现更高效、逼真和多样化的应用在各个领域中。