HASH GAME - Online Skill Game GET 300

　　2021年谷歌研究所Ben Mildenhall等[2]提出隐式神经表示的神经辐射场（Neural Radiance Field，NeRF）。NeRF通过优化多层感知机的神经网络，实现从输入的稀疏视图合成复杂场景新视图。输入5D坐标（空间位置（x,y, z）和观察方向（θ,φ），输出该空间位置的体积密度和与视角相关的辐射度（颜色），通过体渲染方式合成极具真实感的新视角渲染结果。但是该渲染技术训练效率低，难以实现高分辨率实时渲染效果。2022年，英伟达Thomas Müller等[3]提出了Instant NeRF，采用多分辨率哈希表方式减少浮点运算和内存访问次数，能在几秒钟内完成高质量神经图形基元训练，并能在几十毫秒内完成1920×1080分辨率的渲染。

　　计算机视觉的最高奖是“马尔奖”（Marr Prize），以David Marr命名，而David Marr作为计算机视觉4的开创者曾经提出过一个系统的视觉理论。在他的理论中，他把计算机视觉终极问题定义为：输入二维图像，输出是由二维图像重建出来的三维物体的位置与形状；而其他的一些我们现在常称为“计算视觉”的任务，比如识别、检测等等，在Marr的理论中只能称作“模式识别”问题，不能被称作“计算视觉”问题。这其中的分别在于，Marr证明如果终极问题能够被解决，那么其他问题都能够被解决。所以从整个计算机视觉的领域来讲，NeRF所解决的就是计算机视觉最根本的问题，它所展示的效果是计算机视觉领域最根本的进步。（引用知乎专栏的内容）

　　自2021年Nerf提出以来，有大量的工作前赴后继，为Nerf的改造与应用添砖加瓦，然而就在2023年夏天，Nerf的强大对手3D高斯泼溅（3D gaussian splatting, 3DGS）[5]正在蕴量着一次革命。3DGS结合隐式辐射场表示和显式渲染的优势。它首先将场景物体显式表示为点云，然后给每个点赋予一个3D高斯椭球。显式地将3D场景表示为多个3D高斯函数，每个高斯椭球连续地表征当前点云的3D物体属性。使用可微的光栅化进行渲染，基本思想是将所有3D高斯根据相机参数投影到影像平面上，形成一系列的二维平面高斯，再通过二维平面上高斯的叠加混合，最终合成影像[6]。通过对比渲染图像与实际拍摄图像直接的差异优化3D高斯椭球的参数，能够在1080p分辨率下实现高质量的实时新视图合成。近期，德国图宾根大学Andreas Geiger课题组[7]介绍了一种抗锯齿3D 高斯泼溅方法Mip-Splatting，引进了3D平滑滤波器和2D Mip滤波器以实现任意采样率下的无伪影渲染。该工作获得2024年CVPR最佳学生论文。

　　3D实时渲染技术不仅在游戏领域有着广泛应用，还在多个行业展现了其重要价值[8-10]。在自动驾驶领域，3D渲染技术可用于创建虚拟驾驶环境，协助自动驾驶系统识别和处理各种路况。例如，Waymo和Tesla等公司利用该技术进行自动驾驶的模拟测试。在虚拟现实与增强现实的应用中，3D渲染技术使人与虚拟环境之间的沉浸式交互成为可能，提供实时的交互反馈。微软推出的HoloLens增强现实设备可广泛应用于工业制造、建筑和医疗等领域，而Meta也推出了Meta Quest系列头显设备。此外，苹果推出了混合现实设备Apple Vision Pro。它们通过3D渲染技术实现用户与虚拟环境的互动。这项技术还被用于危险操作培训，如飞行员培训。在生物医学领域，3D渲染可用于手术前的三维成像与模拟，帮助医生规划手术路径，同时协助研究人员创建人体模型。天文学家则利用实时3D渲染构建并观察星系、恒星等天体的三维模型，还可以创建虚拟天文馆，让公众以沉浸式的方式探索宇宙。