面向高质量神经渲染的各向异性神经表征学习

基于摘要分析。本文研究 NeRF 多视图场景重建中的表征歧义问题，提出以可学习的视角依赖特征构建各向异性神经表征，旨在提高新视角合成与场景重建质量，同时保持渲染效率。 机制方面，NeRF 通过累加沿射线采样点的颜色与密度来近似连续体渲染积分。作者认为，这一近似忽略了采样点区间中的方向信息，可能导致特征歧义。所提方法使用由多层感知机参数化、球谐函数（SH）引导的各向异性特征表示体积函数，并在训练时对各向异性特征的能量施加正则化，以抑制各向异性过拟合。摘要未给出具体参数化方式、正则项公式及权重设置。 作者报告，该表征可接入不同 NeRF 框架，在合成与真实场景实验中提升渲染质量，并达到最先进的渲染表现；但摘要未列明数据集、数据划分、对照方法、指标数值或计算开销，因此尚不能核对收益幅度与效率权衡。实验协议、消融及统计信息尚未验证。 研究对象是基于多视图图像的三维场景表征与神经渲染，并非神经信号解码。材料未建立其方向建模机制与 EEG/BCI 瓶颈之间的具体对应关系，不能据此推断 BCI 有效性；相关 EEG 工作尚未检索确认。