【ICML2024】神经 NeRF 压缩

神经辐射场（NeRFs）已成为通过连续体积表示捕捉详细三维场景的强大工具。近期的 NeRFs 利用特征网格来提高渲染质量和速度；然而，这些表示引入了显著的存储开销。本文提出了一种新方法，用于高效压缩基于网格的 NeRF 模型，以解决存储开销问题。我们的方法基于非线性变换编码范式，采用神经压缩来压缩模型的特征网格。由于缺乏包含许多独立同分布（i.i.d）场景的训练数据，我们设计了一种无编码器、端到端优化的个体场景方法，使用轻量级解码器。为了利用潜在特征网格的空间非均匀性，我们引入了一种重要性加权的率失真目标和一种采用掩码机制的稀疏熵模型。我们的实验结果验证了我们提出的方法在基于网格的 NeRF 压缩效率和重建质量方面优于现有工作。