Wir stellen TensoRF vor, einen neuen Ansatz zur Modellierung und Rekonstruktion von Strahlungsfeldern. Im Gegensatz zu NeRF, das ausschließlich MLPs verwendet, modellieren wir das Strahlungsfeld einer Szene als 4D-Tensor, der ein 3D-Voxelgitter mit mehrkanaligen Eigenschaften pro Voxel darstellt. Unser zentrales Konzept besteht darin, den 4D-Szenentensor in mehrere kompakte Tensorkomponenten niedrigen Rangs zu faktorisieren. Wir zeigen, dass die Anwendung der traditionellen CP-Zerlegung – die Tensoren in rang-eins-Komponenten mit kompakten Vektoren faktorisiert – in unserem Framework zu Verbesserungen im Vergleich zum einfachen NeRF führt. Um die Leistung weiter zu steigern, führen wir eine neuartige Vektor-Matrix-(VM)-Zerlegung ein, die die Restriktionen niedrigen Rangs für zwei Modi eines Tensors lockert und Tensoren in kompakte Vektor- und Matrixfaktoren zerlegt. Neben der überlegenen Renderingqualität führen unsere Modelle mit CP- und VM-Zerlegung zu einem erheblich geringeren Speicheraufwand im Vergleich zu früheren und zeitgleichen Arbeiten, die direkt pro-Voxel-Eigenschaften optimieren. In Experimenten zeigen wir, dass TensoRF mit CP-Zerlegung eine schnelle Rekonstruktion (<30 Minuten) mit besserer Renderingqualität und sogar einer kleineren Modellgröße (<4 MB) im Vergleich zu NeRF erreicht. Darüber hinaus verbessert TensoRF mit VM-Zerlegung die Renderingqualität weiter und übertreffen frühere Stand der Technik-Methoden, während es gleichzeitig die Rekonstruktionszeit (<10 Minuten) reduziert und eine kompakte Modellgröße (<75 MB) beibehält.