香港科技大学、卡内基梅隆大学和达特茅斯学院的研究人员开发了SANeRF-HQ（高质量中任意分割）方法，以实现复杂场景中准确的三维分割。以前基于NeRF的物体分割方法在准确性上有限。但是，SANeRF-HQ结合了“任意分割模型”（SAM）和“神经辐射场”（NeRF）以提高分割准确性，在复杂环境中提供高质量的三维分割。
NeRF在三维问题中很受欢迎，但在复杂场景中存在挑战。SANeRF-HQ通过使用由用户引导的SAM进行开放世界物体分割，以及使用NeRF进行信息聚合来克服这一挑战。它在分割对象定位和视图间一致的分割方面优于以前的NeRF方法。对NeRF数据集的定量评估突显了它对三维计算机视觉和分割的潜在贡献。
NeRF在使用多层感知器进行新视图合成方面表现出色。尽管NeRF内的三维物体分割取得了成功，但Semantic-NeRF和DFF等以往的方法依赖于受限的预训练模型。SAM允许使用多样的提示，对分割的零样本泛化表现出良好的适应性。SANeRF-HQ利用SAM进行开放世界分割和NeRF进行信息聚合，应对复杂场景的挑战，在分割质量上超越以前的NeRF分割方法。
SANeRF-HQ使用特征容器、掩码解码器和掩码聚合器实现高质量的三维分割。它对SAM特征进行编码，生成中间掩码，并使用NeRF的颜色和密度场将二维掩码整合到三维空间中。该系统结合了SAM和NeRF的开放世界分割和信息聚合。它可以使用NeRF渲染的视频和SAM的自动分割功能执行基于文本和自动的三维分割。
SANeRF-HQ在高质量的三维物体分割方面表现出色，超越以前的NeRF方法。它提供了对于物体定位和视图间分割的增强灵活性。在多个NeRF数据集上的定量评估证实了其有效性。SANeRF-HQ在动态NeRF方面表现出潜力，它可以根据文本提示进行分割，并实现自动三维分割。使用密度场、RGB相似度和Ray-Pair RGB损失能够提高分割准确性，填补缺失的内部和边界，从而改善视觉效果并获得更稳固的分割结果。
总之，SANeRF-HQ是一种高级的三维分割技术，它在多视角上超越了以前的NeRF方法，具有良好的灵活性和一致性。它在各种NeRF数据集上的出色表现表明，它有潜力为三维计算机视觉和分割技术做出重要贡献。将其扩展为四维动态NeRF物体分割，并利用密度场、RGB相似度和Ray-Pair RGB损失进一步提高其准确性和质量，以融入颜色和空间信息。
未来的研究可以探索SANeRF-HQ在四维动态NeRF物体分割方面的潜力。它可以通过在复杂和开放世界场景中的应用，结合语义分割和场景分解等先进技术的整合，提高其功能。对SANeRF-HQ在真实场景中的可用性和有效性进行用户研究可以提供有价值的反馈。对于大规模场景和数据集的可扩展性和效率的进一步研究对于优化实际应用中的性能至关重要。