许多用于训练的数据集很大，一般通过Google Drive进行分享，而出于磁盘容量和方便训练的考虑，这些数据我们一般放在服务器上，服务器没有图形界面，因此我们需要使用wget来进行下载。Google Drive的链接格式是这个样子的：https://drive.google.com/file/d/<fileid>/view我们要关注的是<field>，这相当于文件的编号。以

这章讲的是摄像机参数估计。

本章主要介绍必要的几何知识与符号。

这章讲的是摄像机参数估计。

许多用于训练的数据集很大，一般通过Google Drive进行分享，而出于磁盘容量和方便训练的考虑，这些数据我们一般放在服务器上，服务器没有图形界面，因此我们需要使用wget来进行下载。Google Drive的链接格式是这个样子的：https://drive.google.com/file/d/<fileid>/view我们要关注的是<field>，这相当于文件的编号。以

本文提出了一种基于visual relocalizer的新颖结构，从无位姿图像中恢复相机参数（姿态和内参）。不同于传统基于特征匹配的SfM（如COLMAP），作者将SfM过程重新解释为基于场景坐标回归 (Scene Coordinate Regression)的增量重定位问题。该方法能无需位姿先验、高效地从上千张图像中重建隐式场景表示，并能达到接近传统SfM的姿态估计精度，最终通过新视角合成验证其

文章试图构建generalizable NeRF，并且sparse view的setting，能够合成在时间t的新视角。具体而言，希望能够在任意时间、任意视角合成新视图的通用神经渲染方法，尤其在只有少量输入视图的情况下仍能表现优异。该方法针对当前 NeRF 技术难以处理时间动态变化和少样本泛化的问题，提出一种结合多视图立体视觉、神经辐射场、内容-环境解耦的新型框架，能够在无需针对每个场景重新优化的

NeRF论文精读