通过场景表示的统一体素化实现快速逆渲染

基于摘要分析。本文研究逆渲染中几何、材质与照明分别建模带来的优化开销，提出统一体素化框架 UniVoxel，通过共享的潜在体积表示和轻量神经网络统一学习场景属性，以加速场景重建。 机制上，UniVoxel 将场景编码为潜在体积表示，再据此学习几何、材质与照明；其中采用 Spherical Gaussians 表示入射光辐亮度，使照明建模能够纳入统一体素化框架。相较摘要所述的典型隐式神经场景表示方法，其主要思路是以显式体素化表示统一承载多种场景属性，而非分别进行建模。体素分辨率、网络结构、渲染过程、损失函数与优化策略尚未验证。 作者报告，在覆盖多样场景的多个基准上，UniVoxel 相较其他逆渲染方法显著提升优化效率，将单场景训练时间从小时级缩短至 18 分钟，同时取得较好的重建质量。摘要未提供基准名称、硬件配置、具体对照方法、质量指标或计时口径，因此该耗时不能直接外推至其他场景或算力条件；实验协议、消融及统计信息尚未验证。摘要表示代码将发布，当前材料不能确认其发布状态及复现条件。 本文的主要研究对象是视觉场景逆渲染，材料未提供 EEG 或 BCI 实验，也未建立其体积表示与神经信号建模的具体对应关系，因此不据此推断 BCI 有效性。