标题：Nerfstudio: A Modular Framework for Neural Radiance Field Development

Nerfstudio：神经辐射场开发的模块化框架

同样来自加州伯克利

Nerfstudio支持多种模块化的NeRF组件，集成了实时的网络查看器，并旨在简化使用真实世界数据处理和交互重建的NeRF方法的开发。

Nerfstudio中的NeRFacto是最想介绍的核心

摘要

Nerfstudio是一个为NeRF开发提供支持的Python框架。该框架的设计注重模块化，实时可视化开发，以及便于处理真实数据，使得NeRF方法的开发和实施变得更加简单。

Nerfstudio通过提供一个整合的平台，使得研究人员和开发者能够更容易地合作和开发交互式3D场景。这个框架不仅适用于研究人员，也为工业界和非技术用户提供了使用NeRF的便利。由于它是开源的，因此可以推动由社区驱动的发展。

引言

尽管NeRF解决了固有的视觉任务，但目前缺乏一个综合性和可扩展的工具来可视化和交互式地体验基于真实世界数据的NeRF。现有的实现通常是孤立的，将特性固定在封闭的研究库中，这使得将不同实现转化为真实世界数据和新应用变得复杂和效率低下。Nerfstudio通过提供一个模块化框架，旨在解决这些问题，提高研究人员和开发者利用NeRF技术的效率。

Nerfstudio框架为NeRF的开发提供了实时可视化工具和简化的流程，支持从用户捕获的数据中创建NeRF，设计允许开发者利用实时查看器进行定性评估。

NeRF已经成为研究社区中的一个热门话题，并产生了多个相关的代码库，包括原始的NeRF代码库、nerf-pytorch、Instant NGP、Mip-NeRF等。这些库各自关注于改进NeRF的特定组成部分，例如提高计算效率或解决反走样问题。Nerfstudio旨在通过整合关键技术，提供一个灵活和全面的开发框架，以促进更有效和有效的实验和社区的贡献。

此外，文本还讨论了其他并行发展的NeRF框架，比如NeRF-Factory、MultiNeRF和Kaolin-Wisp，这些都是在推动NeRF的可用性方面做出了显著努力。

然而，Nerfstudio与这些框架不同，它提供了更全面的设计目标，包括模块化、实时可视化和端到端的易用性，特别是针对用户捕获的数据。

框架设计

Nerfstudio的目标是提供模块化、实时可视化开发工具，并简化真实数据的处理流程。

设计考虑了与优化渲染速度或合成场景质量的设计折衷，并选择了支持模块化Python方法而非非模块化CUDA方法的实现。这些设计选择还导致了与广泛可视化生态系统更简单的接口，支持在训练和测试期间的实时渲染。Nerfstudio的重点是为真实世界的数据而不是合成场景提供结果，以满足研究以外的受众需求。

模块化

Nerfstudio提出了一种组件的组织方式，这种方式既直观又抽象，便于实现现有和新的NeRF应用的集成。目标是简化Nerfstudio中已有的组件类型和实现的兼容性。

开发可视化

Nerfstudio的实时查看器提供了一个交互式和直观的方式来观看NeRF，特别是在培训和测试阶段。可视化器易于安装，支持多种模型，提供了一个用户界面，用于设置和渲染不同的相机路径。

用户捕获数据的简易工作流

Nerfstudio支持用户捕获的数据，如图像或视频，简化了从实际数据创建NeRF的过程。

---

核心组件

Nerfstudio的框架由基本的构建块组成，可以处理图像集，优化3D场景的表示，并定义场景的光照、颜色、密度等属性。数据管理器和数据解析器负责将图像转换为RayBundles，然后传递到模型中，模型查询字段并渲染结果。最终，整个流程以端到端的方式通过损失函数来完成。

数据管理器和数据解析器

这些是Nerfstudio的第一步，负责将捕获的图像转换为RayBundles。

RayBundles, RaySamples, 和 Frustums

这些组件代表了3D空间中的区域，可以通过不同的方式来参数化。例如，Frustums可以表示为锥体或高斯体。

模型和字段

RayBundles被发送到模型中，这些模型将它们采样成RaySamples，然后由字段转换成图像空间。Nerfstudio框架包含了多种模型和字段的实现，支持多种输入编码方案。

---

Nerfstudio提供了一个实时的Web查看器，允许用户在训练NeRF模型的同时，实时可视化其结果。这个查看器基于ReactJS开发，并打包为一个公共网站，使之易于访问和使用，不需要在本地计算机上设置复杂的工具。这使得模型训练更加直观，因为用户可以实时观察和评估NeRF渲染出来的3D场景。

在实时训练可视化工具的实现方面，Nerfstudio通过WebSocket和WebRTC建立了连接，将训练会话的图像流直接传输到Web浏览器。这种方法允许用户在训练过程中覆盖3D资产渲染，例如位置、视点、深度图和其他相关信息。查看器的设计也适应了不同的模型和渲染速度，平衡了训练和渲染过程，以适应不同的计算资源。

此外，文本还提到Nerfstudio支持几何导出，这对于需要将3D重建导出为游戏引擎或其他下游工具的艺术家和创作者特别有用。框架提供了多种方法和输出格式，包括点云、网格和纹理等，以及支持交互式计算和数据导出的工具。

---

*重中之重：NeRF-ACTO method

Nerfacto方法是Nerfstudio推荐的默认方法，它综合了多篇研究论文的思想。

该方法主要受MipNeRF-360结构的影响，优化了相机视角并采用分段采样器来提高采样效率。这种采样器能够为远处的对象进行高效采样，同时为近处的对象保持密集采样。

然后，这些样本被送入提案网络采样器-Proposal Network Sampler，优化场景对最终渲染贡献最大的部分。

此外，Nerfacto使用小型融合MLP和哈希编码来提高场景密度函数的计算效率。通过这种方法，能够减少沿光线的样本数量，并在迭代过程中进一步降低样本数。场景压缩技术被用来处理无限延伸的真实世界场景，将无限空间压缩到固定大小的包围盒中，以便更好地适应哈希网格的几何结构和容量。

Nerfacto还结合了每张图片的外观嵌入来处理训练摄像机间曝光的差异，并采用了Ref-NeRF的技术来计算和预测法线。

Nerfacto使用PyTorch实现，便于定制化，无需复杂的CUDA代码，并且随着领域的发展将不断整合新的研究论文。