基于 Nvidia Instant-ngp 的 NeRF 示例

神经辐射场 (NeRF) 是计算机图形学和深度学习中的一项技术，用于根据输入数据生成逼真的 3D 图像和场景。该技术由 Mildenhall 等人于 2020 年发表的一篇研究论文中提出。

NRF 背后的理念是利用神经网络，根据图像和视频等输入数据，学习三维场景中物体发出的辐射度。神经网络学习物体辐射度与其空间位置之间的关系，从而能够实时生成场景的新视图。

要使用 NRF 生成三维图像，首先构建目标物体的三维网格，并通过摄影或视频拍摄等技术从多个角度获取场景图像。然后将这些图像输入神经网络，网络利用这些信息构建物体的三维模型，并学习辐射度与空间位置之间的关系。

神经网络训练完成后，只需输入一个空间位置，即可从该位置生成图像，从而实时生成场景的新视图。

训练时间可能非常昂贵，对于一个简单场景，训练模型可能需要数小时甚至数分钟。因此，自第一篇论文发表以来，不断有新的工作室和项目涌现，探索不同的模型训练方式，例如 Nvidia Instant NGP。

Nvidia Instant NGP 利用 Nvidia 显卡的强大性能，在几秒或几分钟内训练出模型，之后允许你直接加载这个已训练的模型，从而缩短了训练和渲染模型的时间。

我们创建了一个将 Nvidia Instant-ngp 与 Evergine 结合的 Evergine 示例，让您可以创建一个集成了 NeRF 场景渲染的 Evergine 项目。

在此版本中，我们推出了 NeRF 示例，让你能够使用 Evergine 探索这项技术。在该示例中，你可以浏览一个 NeRF 场景，并以此代码库为基础进行扩展，探索新的可能性。

我们创建了一个代码示例，展示了一台使用神经辐射场模型生成的工业热泵。在示例中，用户可以围绕模型旋转，观察训练好的模型如何生成热泵的任意视角。生成的图像是合成的，这意味着某些特定的相机角度可能从未出现在训练图像中，但 AI 模型能够预测出来。

你可以生成自己的 NeRF 模型并将其添加到示例中。你需要用移动设备或摄像机，对你希望呈现的物体或环境录制视频或拍摄一组图像。然后，你可以使用 Instant-ngp 训练模型，并生成包含每张训练图像位置的 transform.json 文件，以及包含网络训练结果的 base.ingp 文件 （我们建议进行超过 35,000 次迭代以确保模型有良好的清晰度）。

我们对于为生成 NeRF 模型而拍摄图像或视频的建议如下：

• 确保光照良好。
• 使用高清 HD 或 4K 相机。
• 使用广角镜头。
• 保持较短的快门曝光时间（以避免图像模糊）
• 在整个录制过程中保持曝光一致。

我们将继续推进这一新方向，并希望在未来几个月内添加更多将 NeRF 技术与 Evergine 相结合的示例。敬请关注，我们很快会发布更多内容。