即使只有稀疏输入,它仍然能部分保留重建清晰和细节丰富的局部特征的能力。然而,视图约束的减少导致场景几何结构的大部分被学习错误,从而导致新视图合成失败。...在正则化过程中,文章提出渲染两种类型的深度,以独立调整高斯的中心和不透明度,而不改变它们的形状,从而在复杂颜色外观和平滑粗糙深度之间达到平衡。...通过局部和全局尺度归一化,文章的方法将损失函数重新聚焦于小的局部错误,同时保持对绝对尺度的知识,以增强深度正则化过程中的细节几何重塑。...结果可能会忽视小错误,特别是当处理颜色重建或广泛深度变化等多个目标时。这种忽视在之前基于NeRF的工作中可能不太重要,但在高斯辐射场中可能会出现更严重的问题。...实验模型
继承之前的稀疏视图神经场方法,我们将目前sota方法SRF、PixelNeRF、MVSNeRF、Mip-NeRF、DietNeRF、RegNeRF、FreeNeRF和SparseNeRF作为基线