摘要
我们提出了一种名为TensoRF的新方法，用于建模和重建辐射场。与仅使用多层感知机（MLP）的NeRF不同，我们将场景的辐射场建模为一个4D张量，该张量表示一个具有每体素多通道特征的3D体素网格。我们的核心思想是将4D场景张量分解为多个紧凑的低秩张量组件。我们证明，在我们的框架中应用传统的CP分解——即将张量分解为具有紧凑向量的秩一组件——可以比纯NeRF取得更好的效果。为了进一步提升性能，我们引入了一种新颖的向量-矩阵（VM）分解方法，该方法放松了张量两个模式下的低秩约束，并将张量分解为紧凑的向量和矩阵因子。除了卓越的渲染质量外，我们的CP和VM分解模型在内存占用方面也显著低于直接优化每体素特征的先前和同期工作。实验结果表明，采用CP分解的TensoRF能够在较短时间内（<30分钟）实现高质量渲染，并且模型大小更小（<4 MB），优于NeRF。此外，采用VM分解的TensoRF进一步提升了渲染质量，超越了之前的最先进方法，同时缩短了重建时间（<10分钟），并保持了紧凑的模型大小（<75 MB）。