第259章 白度大危机（2/2）

天才一秒记住本站地址：[笔趣阁]
https://www.ibqg.vip 最快更新！无广告！

而需要韩辞帮助的原因也很简单，辐射场加上体渲染的组合，全程是可以微分的，需要在数学上做很多处理和计算。

你可以理解为把一个空间向一个方向上拍扁，空间中的颜色加权求和得到平面上的颜色，从三维映射到二维。

“所谓的辐射场，可以看做是一个函数。如果从一个角度往一个静态空间发射射线，我们可以查询这条射线在空间中每个点的密度，以及在这个射线角度下所呈现出来的颜色。传统的辐射场需要维护一个表，根据特定的位置和角度，查询获得颜色值和密度，然后交给体渲染方法去使用和计算。”卡莱尔给韩辞大概科普了一下方法的步骤。

“传统的这种方式有一个很大的问题，查表意味着表的大小和空间的大小正相关。如果我想要表达的空间比较大，这个表的大小规模就会越大，所需要的资源数量会超乎人类的想象，来到一个夸张无比的规模。并且它还是离散表示的。”孟繁岐直接指出了原本办法的最大问题。

“这就像是y=x这条直线，你不使用方程y=x去描述，而是记录(1，1)、(2，2)这些点去表达，复杂度就从1变成了n。你想要描述的范围越大，需要记录的点就越多。而我的想法，就是用深度学习的方式，去近似拟合这个函数，这样就不再需要维护一个庞大的查询表。”

这也就是神经辐射场的名字来由了，其实就是一种基于神经网络的辐射场表达办法。

由于神经网络和体渲染方法都可微分，渲染得出的图像与原本图像的差距就很好计算和传递，直接可以从最终的成果反向传回模型当中，非常方便进行运算。

对于孟繁岐的这番创举，克莱尔心中感到的震撼是非常大的。

在她看来，孟繁岐此前做的什么图像分类、检测、分割都只能算作是模式识别问题，都算不上是真正意义上的【计算机视觉】。

因为神经网络在这些任务上的贡献，都只是分析分析图片里面的模式和特征罢了，对于视觉的本质是根本没有触及到的。

这也是图形学研究者们独特的骄傲了，觉得自己的研究视角更高一层。

计算机视觉领域最高的奖项是【马尔奖】，作为计算机视觉的开创者，马尔提出过一个系统的视觉理论。

他把计算机视觉的终极问题定义为：【输入二维图像，输出由二维图像重构出来的三维物体的位置和形状】。

在马尔看来，如果这个终极问题能够被解决，那么其他的问题都不在话下，要简单许多。

从他的理解来看，图像的识别检测都是小打小闹，从二维到三维的重建才是整个领域最根本核心的问题。

而这个方向的突破和成果，才是视觉领域最根本的进步。