通过各种数字图形技术创建的计算机渲染 3D 图像具有几个不同的属性，这些属性定义了它们的质量和真实感。例如：
几何方面，例如场景中 3D 模型的定位、方向和比例
照明方面，例如阴影、亮度、颜色和反射
透明和半透明显示光线如何穿过玻璃或雾等材料
体积和密度，例如烟或云的密度
模拟布料、木材或金属等材质的纹理
颜色的选择及其分布在图像的视觉冲击中也起着关键作用。阴影决定了不同表面区域的照明方式，从而营造出一种深度和形式感。
NeRF 将计算机绘图技术与神经网络架构相结合，以实现上述所有要求。
下图是计算机渲染 3D 图像的示例。
神经辐射场的架构
NeRF 使用多层感知（MLP）（一种完全连接的神经网络架构）来创建 3D 场景的表现形式。MLP 是神经网络和深度学习的基础模型。它经过训练，可以将空间坐标和视野方向映射到颜色和密度值。MLP 使用一系列数学结构来组织输入（例如 3D 空间中的位置或 2D 视图方向）来确定 3D 图像中每个点的颜色和密度值。
该网络还学习如何改变场景中光线的亮度和颜色。通过加深对这些光线（即辐射建模）的理解，它可以从不同的角度显示不同的颜色和密度。
了解深度学习
神经辐射场的类型
早期版本的 NeRF 很难优化，速度也很慢，而且它们需要通过照片输入来匹配使用相同相机光线的照明。从那以后，在最初的技术基础上又有了一些改进。
PixelNeRF
NeRF 最早的新形式之一是 PixelNeRF（CPVR 2021）。这种部署引入了一个完全卷积的架构，可以根据单个图像输入进行调整。这种方法消除了对许多经校准和有组织视图的需求，并减少了所需的总计算资源。这种新方法简化了创建和优化 NeRF 的过程。
Mega-NeRD
Mega-NeRD（CVPR 2022）是另一个 NeRF 框架，在处理大型场景时特别有用。它提供了另一种几何聚类算法和稀疏网络结构，使其能够处理不同光照条件下的图像。这种经过优化的 NeRF 使用稀疏神经辐射网格（SNeRG）来有效地捕捉和渲染现实环境。
NSVF
神经稀疏体素场（NSVF）是一种 NeRF，可以在其渲染阶段跳过任何空像素，从而提高渲染速度。该技术可以学习网络单元中的像素结构，使其无需特定的视角即可创建高质量图像。
Plenoptic Voxel
Plenoptic Voxel（2021）的创新没有使用多层感知神经网络，而是使用了稀疏的 3D 网格。使用此网格，您可以提高新模拟的渲染速度，同时通过立体像素插值保持视觉保真度。