神经辐射场（NeRF）是一种在神经网络内部表示三维场景的方法。给定场景的几十张已知相机位置的照片，NeRF学习一个函数，将任意3D坐标和观察方向映射为颜色和密度；沿相机光线进行渲染，即可从从未拍摄过的视角生成场景的照片级逼真图像。该技术由Ben Mildenhall及其在加州大学伯克利分校和谷歌的同事于2020年提出，将3D重建重新定义为深度学习问题，并开创了一个庞大的研究子领域。
工作原理
核心模型是一个小型多层感知器，通过梯度下降针对每个场景进行训练：对于每张训练照片的每个像素，沿相机光线采样点，网络预测每个点的颜色和密度，体积渲染将这些点合成像素颜色，并与真实值进行比较。场景本身成为网络的权重，这是一种紧凑且连续的几何和外观表示，存储为学习到的表示，而非网格或体素。
演进与后继
早期的NeRF训练需要数小时，渲染单帧需要数秒。后续工作如NVIDIA的Instant-NGP（2022年）通过哈希网格编码和GPU优化将训练时间缩短至数秒，数百种变体处理了动态场景、反射和大规模环境。2023年，3D高斯泼溅在许多应用中取代了NeRF，提供相当的质量并支持实时渲染，但NeRF风格的隐式表示在研究世界模型和机器人仿真中仍具影响力。
应用
NeRF技术出现在摄影测量、视觉效果、电子商务产品捕捉和地图绘制中，包括谷歌的沉浸式视图。在文本到3D生成中，它们作为早期系统（如DreamFusion，2022年）优化的底层3D表示。它们还为具身AI和计算机视觉研究提供信息，其中真实空间的照片级逼真数字孪生用于在仿真中训练机器人。