本书系统地阐述了计算机视觉中NeRF（神经辐射场）技术与 3DGS（三维高斯喷溅）技术的背景、原理与细节。为了深入解读这两种技术如何在速度优化、质量优化、动态场景生成、弱条件生成等方面实现技术创新，本书对它们的核心技术问题与解决方案进行了分类讲解。另外，针对NeRF与3DGS在实际应用过程中可能遇到的挑战进行了深入的分析与讨论。本书旨在帮助读者全方位地理解与认识这两种正在快速发展的技术，并为其进一步的学习、研究以及三维视觉应用的实践提供坚实的基础。
PART1 NeRF入门
1 NeRF简介 2
1.1 何谓NeRF 2
1.1.1 光栅化渲染与可微渲染 3
1.1.2 人工建模与自动建模 4
1.1.3 离散表示法与连续表示法 5
1.2 三维表达方式演化史与对比 7
1.2.1 点云 7
1.2.2 三维网格 8
1.2.3 体素网格 9
1.2.4 占据网络 10
1.2.5 NeRF 11
1.3 NeRF的行业现状和推动者 12
1.3.1 国外主要实验室 12
1.3.2 国内主要实验室 14
1.4 如何阅读本书 15
1.4.1 本书的结构 15
1.4.2 本书面向的读者 16
1.4.3 代码要求 16
1.4.4 写作风格 17
2 NeRF基础知识 18
2.1 三维空间基础 18
2.1.1 坐标系、点与向量 18
2.1.2 刚体运动的欧氏变换 22
2.1.3 变换矩阵与齐次坐标 24
2.1.4 四元数 25
2.1.5 小结 26
2.2 三维视觉与图形学基础 27
2.2.1 相机模型 27
2.2.2 辐射测量基础 31
2.2.3 光源 33
2.2.4 简单材质建模与着色 34
2.2.5 复杂材质建模与着色 38
2.2.6 光线追踪 40
2.3 深度学习基础 42
2.3.1 神经网络基础 44
2.3.2 基于神经网络学习的核心 45
2.3.3 小结 50
2.4 质量评价方法基础 50
2.4.1 二维平面空间质量评价 50
2.4.2 三维立体空间质量评价 52
2.5 总结 53
3 NeRF的技术细节 54
3.1 NeRF解决的问题 54
3.1.1 辐射场 55
3.1.2 神经辐射场 55
3.2 小试牛刀：NeRF原理介绍与代码实现 57
3.2.1 数据准备 57
3.2.2 环境准备 58
3.2.3 数据加载 60
3.2.4 生成射线 64
3.2.5 位置编码 66
3.2.6 MLP的结构 68
3.2.7 分层采样 72
3.2.8 体渲染技术 76
3.2.9 射线渲染 78
3.2.10 训练过程 81
3.2.11 模型渲染过程 85
3.2.12 小结 86
3.3 NeRF的开源项目：nerfstudio 87
3.3.1 nerfstudio的安装 88
3.3.2 nerfstudio的架构 90
3.3.3 nerfstudio的运行方法 92
3.3.4 nerfstudio的调试方法 96
3.3.5 整合自定义的算法模型 99
3.3.6 小结 103
3.4 NeRF常用的数据集 104
3.4.1公开的数据集 104
3.4.2构造自定义的数据集 113
3.5总结 113
PART2 NeRF进阶探索
4优化NeRF的生成与渲染速度 115
4.1基于多MLP的加速方法 116
4.1.1 kiloNeRF的架构 116
4.1.2采样优化方法加速训练和推理 117
4.1.3蒸馏方法提升重建质量 118
4.2取代神经网络的方法 119
4.2.1 PlenOctrees 119
4.2.2 Plenoxels 124
4.3体素网格与MLP混合表达的方法 126
4.3.1 DVGO场景表达方法 126
4.3.2 DVGO快速优化方法 128
4.4基于多分辨率网格的速度提升方法 130
4.4.1多分辨率网格表达方法 130
4.4.2哈希存储 131
4.4.3 Instant-NGP的实现 132
4.5基于张量分解的速度提升方法 133
4.5.1张量分解方法 133
4.5.2基于张量分解方法的神经场TensoRF 135
4.5.3 TensoRF的实现 136
4.6基于烘焙方法的超实时渲染方法 136
4.6.1开山之作：SNeRG 137
4.6.2进一步优化的MERF 141
4.6.3支持超高速渲染的MobileNeRF 143
4.7 NeRF结合点云的速度提升方法 148
4.7.1 Point-NeRF场景表达方法 149
4.7.2 Point-NeRF神经点云的重建方法 149
4.7.3非Point-NeRF生成点云的优化方法 150
4.8基于硬件的NeRF加速的方法 151
4.8.1当前NeRF训练算法的性能分析 152
4.8.2 Instant-3D算法的设计 153
4.8.3 Instant-3D硬件加速器的设计 154
4.8.4性能结果 155
4.9总结 155
5提升NeRF的生成与渲染质量 157
5.1反走样类提升方法 157
5.1.1反走样的开山之作Mip-NeRF 158
5.1.2应对无界场景锯齿效应的Mip-NeRF360 167
5.1.3快速反走样算法Zip-NeRF 171
5.1.4基于三平面的反走样算法Tri-MipRF 174
5.2提升几何重建质量的方法 177
5.2.1神经隐式曲面生成算法 178
5.2.2 NeuS2：NeuS的加速与动态支持升级 184
5.2.3重建质量再次升级的Neuralangelo 187
5.3飘浮物去除方法 189
5.3.1 NeRFBuster：消除场景中的鬼影 190
5.3.2 Bayes’Rays：不确定性即飘浮物 192
5.4总结 195
6动态场景NeRF的探索和进展 196
6.1基于变形场的方法 197
6.1.1早期基于变形场的动态方法D-NeRF 197
6.1.2动态自拍场景的方法Nerfies 199
6.1.3基于超空间的动态场景重建方法HyperNeRF 202
6.2基于动静分离建模的方法 204
6.2.1动态场景解耦方法D2NeRF 204
6.2.2更通用的动静分离方法NeRFPlayer 208
6.3基于三平面的方法 210
6.3.1四维空间建模方法Hex-Plane 210
6.3.2更通用的多维平面建模方法K-Planes 213
6.4基于流式动态建模的方法 216
6.4.1 OD-NeRF的框架 217
6.4.2基于投影颜色引导的动态NeRF 218
6.4.3占据网络的转移与更新 218
6.5总结 219
7弱条件NeRF生成 220
7.1稀疏视角的NeRF重建方法 220
7.1.1基于策略优化与正则化的生成方法 221
7.1.2基于图像特征提取的生成方法 224
7.1.3基于几何监督的生成方法 235
7.2无相机位姿的NeRF重建方法 242
7.2.1静态无相机位姿重建方法 242
7.2.2动态场景弱相机位姿重建方法RoDynRF 245
7.3弱图像采集条件NeRF重建方法 250
7.3.1采集图像偏暗的重建方法 250
7.3.2采集图像模糊的重建方法 255
7.4总结 257
PART3 NeRF实践
8 NeRF的其他关键技术 259
8.1将NeRF导出为三维网格的方法 259
8.1.1传统导出三维网格模型的方法 260
8.1.2基于NeRF的三维网格导出方法NeRF2Mesh 261
8.2 NeRF的逆渲染与重照明技术 264
8.2.1经典的基于NeRF的逆渲染方法Nerfactor 265
8.2.2 TensoIR等后续逆渲染方法 268
8.3 基于文本的NeRF交互式搜索、编辑与风格化 269
8.3.1 使用文本风格化的NeRF-Art 269
8.3.2 基于反馈式学习的InstructNeRF2NeRF 272
8.3.3 使用文本语义搜索三维场景的LERF 273
8.4 NeRF 物体分割、去除、修复、操控和合成方法 274
8.4.1 基于少量交互的编辑方法SPIn-NeRF 274
8.4.2 将二维分割提升到三维的方法Panoptic–Lifting 276
8.5 基于NeRF 的动画方法 279
8.5.1 基于笼体控制的动画方法CageNeRF 280
8.5.2 基于物理规则的 NeRF 动画方法 282
8.6 NeRF 压缩与传输方法 284
8.6.1 ReRF 的设计框架和思路 284
8.6.2 运动估计与残差估计 286
8.6.3 压缩算法的设计与常用表达技巧 286
8.7 NeRF 其他方向的一些技术 288
8.7.1 NeRF 用于开放曲面建模的技术 288
8.7.2 使用特殊场景线索引导NeRF 重建的技术 290
8.7.3 其他相关工作 291
8.8 总结 291
9 NeRF 的落地与应用场景探索 292
9.1 NeRF 在基于拍摄的三维生成中的落地 293
9.2 NeRF 在文本生成三维模型中的应用 294
9.2.1 文本生成三维模型的一些关键技术 294
9.2.2 文本生成三维模型的部分产品 298
9.3 NeRF 在数字人中的应用 302
9.3.1 NeRF 生成数字人的主要技术 303
9.3.2 NeRF 生成数字人的应用说明 307
9.4 NeRF 在大规模场景中的应用 307
9.4.1 大规模场景 NeRF 的建模技术 308
9.4.2 大规模场景 NeRF 建模技术的商业产品 314
9.5 NeRF 在自动驾驶场景中的应用 315
9.5.1 自动驾驶闭环仿真方案UniSim 316
9.5.2 开源的高度模块化的自动驾驶仿真框架MARS 320
9.5.3 自动动静分离的自动驾驶方案EmerNeRF 323
9.5.4 NeRF在自动驾驶中的现状和未来 324
9.6 NeRF在SLAM中的应用 324
9.6.1 NICE-SLAM的总体架构 325
9.6.2 NICE-SLAM的场景表示方法 326
9.6.3 NICE-SLAM的场景渲染方法 327
9.6.4 NICE-SLAM的地图构建与轨迹跟踪方法 327
9.6.5 另一种SLAM思路NerfBridge 328
9.7 NeRF在电商场景中的应用 329
9.7.1物品展示类的应用 329
9.7.2基于NeRF的虚拟试衣应用 330
9.8 NeRF在游戏中的应用 331
9.9 NeRF在其他领域的应用 332
9.9.1 NeRF在卫星图像中的应用 332
9.9.2 NeRF在医疗中的应用 334
9.9.3 NeRF在动物与植物建模中的应用 336
9.9.4 NeRF在工业监控中的应用 337
9.9.5 NeRF与地理信息系统的结合应用 338
9.10总结 338
10 NeRF面临的问题和突破点 340
10.1硬件资源消耗的问题 341
10.2隐式表达的格式标准化 341
10.3与现有图形管线整合的问题 342
10.4上下游工具链的问题 343
10.5 NeRF导出几何的质量问题 343
10.6总结 344
PART4 3DGS技术
11三维高斯喷溅，开启新纪元 346
11.1 3DGS原理与方法 347
11.1.1 3DGS的建模原理 347
11.1.2 3DGS流程的数学表达 347
11.1.3 3DGS的算法流程 349
11.2 3DGS在重建效果和效率上的提升 351
11.2.1 3DGS混叠效应优化 351
11.2.2视角适应的渲染方法 354
11.3 3DGS在动态场景中的方法 355
11.3.1*个动态3DGS 356
11.3.2可支持运动编辑的动态稀疏控制高斯喷溅方法 357
11.4 3DGS在弱条件下的重建方法 358
11.4.1联合学习位姿的CF-3DGS 358
11.4.2实时的稀疏视角3DGS合成FSGS 359
11.5 3DGS在应用层的进展 360
11.5.1 3DGS在大规模场景和自动驾驶中的进展 360
11.5.2 3DGS在数字人重建方向上的进展 361
11.5.3 3DGS在文本生成三维模型上的进展 362
11.5.4 3DGS后期编辑 364
11.5.5 3DGS在游戏中的应用 365
11.6 总结 365
后记 367
杨继珩，中国科学技术大学特聘研究员，北京北斗星在线教育科技有限公司创始人，NeRF/3DGS & Beyond社区发起者。曾担任沪江集团技术副总裁兼CCtalk联合创始人和CTO、盛大创新院多媒体院技术负责人、Thomson Corporate Research*级研究员等职务，在计算视觉、图形学、多媒体音视频技术等领域，拥有多年研究与研发经验，所负责业务均达到年10亿元以上营收规模。成功申请十余项国内、国外专利，在国际知名学术会议和期刊上发表数篇论文。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
