SLAM 點雲圖鑑Point clouds for construction
M-01 · 2020

NeRF

NeRF 以多層感知器（MLP）將三維位置與觀看方向映射為體密度與顏色，並透過可微分體積渲染（volume rendering）以多視角影像的光度誤差最佳化網路。方法本身不估計相機位姿，實景資料需先以 COLMAP 等 SfM 取得位姿與內參。幾何只隱含在密度場中，是後續神經隱式 SLAM 共用的表示與渲染原理。

地圖表示與表面重建近十年已讀全文同儕審查已出版學習式、神經隱式與高斯潑濺 SLAM

閱讀版本
Version of record (ECCV 2020, LNCS, pp. 405-421, Springer PDF) for the main paper, plus the arXiv v2 (2020-08-03) appendices A-D, which correspond to the VoR supplementary material; main text and Tables 1-2 identical in both
全文取得途徑
國立臺灣大學機構訂閱
本頁內容

Represents a scene as an MLP-based radiance field optimized from posed images via differentiable volume rendering; poses must be supplied (e.g., by COLMAP).

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入monocular camera (multi-view images)
原文測試平台未記錄
狀態估計不適用 (per-scene gradient-based optimization of an MLP; camera poses are inputs)
資料關聯direct photometric loss through differentiable volume rendering
時間表示不適用
去畸變不適用
迴圈閉合none
全域最佳化none
地圖表示neural implicit radiance field (MLP: volume density + view-dependent colour)
先驗資訊known camera poses, intrinsics and scene bounds (COLMAP SfM for real scenes)
可輸出幾何Novel-view images; geometry only implicit in the density field; the paper reports no surface extraction and no geometric accuracy evaluation; real forward-facing scenes are optimized in normalized device coordinates that use disparity rather than metric depth (Sec. 3 to 6, App. A, App. C)
計算需求Per-scene optimization of 100k to 300k iterations on a single NVIDIA V100 GPU (about 1 to 2 days); rendering an image takes about 30 s on a V100 (150 to 200 million network queries); network weights 5 MB (Sec. 5.3, Sec. 6.3, App. A)

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
相機handheld cellphone (model not named)資料集感測器Real Forward-Facing (5 LLFF scenes + 3 new)forward-facing captures, 20 to 62 images per scene, 1008 x 756 pixels(Mildenhall et al., 2020, Sec. 6.1; Table 1 caption)
運算硬體NVIDIA V100執行運算平台未標示single GPU; 100k to 300k iterations take about 1 to 2 days; about 30 s per rendered frame(Mildenhall et al., 2020, Sec. 5.3; App. A)
運算硬體4 NVIDIA V100 GPUs執行運算平台未標示needed to run the SRN baseline at 512 x 512(Mildenhall et al., 2020, App. B)

作者報告的優勢與限制

優勢

  • Highest PSNR and SSIM on all three datasets, e.g. 31.01 dB on Realistic Synthetic 360 and 26.50 dB on Real Forward-Facing (Table 1)
  • Compact scene model: 5 MB of network weights vs over 15 GB for LLFF on one synthetic scene (Sec. 6.3)
  • Positional encoding and view dependence give the largest gains in the ablation (Table 2)

限制

  • Requires known camera poses/intrinsics; COLMAP used for real data (implementation paragraph)
  • Authors note further work is needed on efficient optimization and rendering (conclusion)
  • Optimization takes about 1 to 2 days per scene and rendering about 30 s per frame on a V100 (Sec. 5.3, App. A)
  • Expected quality and failure modes are hard to analyze when the scene is stored in network weights (Sec. 7)
  • Represents a static scene (Sec. 1, Sec. 3)
  • LLFF has better LPIPS on the real forward-facing data (0.212 vs 0.250) (Table 1)

營建工程相關證據

原論文未涉及營建場景；營建應用證據需見後續研究，例如（Jeon et al., 2025）。

原文驗證環境：模擬、公開基準

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 4 個比較組，合計 53 筆紀錄。

Mildenhall et al., 2020 · Table 5 本方法 24 筆

表格設定（擷取紀錄原文）：Per-scene novel-view synthesis metrics on the Real Forward-Facing dataset (8 scenes captured with a forward-facing handheld cellphone); SRN evaluated at 504 x 376, others at full resolution (appendix D). (Mildenhall et al., 2020, Table 5)

PSNR (higher is better)，Real Forward-Facing · Room

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Mildenhall et al., 2020 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：dB；場景：real scene, handheld cellphone, forward-facing

資料來源作者報告值(Mildenhall et al., 2020, Table 5)

數值與出處
方法（原文寫法）報告值出處
SRN [42]27.29 dB(Mildenhall et al., 2020, arXiv v2 App. D, Table 5)
LLFF [28]28.42 dB(Mildenhall et al., 2020, arXiv v2 App. D, Table 5)
NeRF (Ours)本方法原文提出32.7 dB(Mildenhall et al., 2020, arXiv v2 App. D, Table 5)

Huang et al., 2024a · Table 1 本方法 17 筆

表格設定（擷取紀錄原文）：Chamfer distance per DTU scan (15 scans) and mean; meshes of 3DGS and 2DGS by TSDF fusion of rendered depth; unit not stated in the paper; images downsampled to 800 x 600; COLMAP sparse points for initialization (Huang et al., 2024a, Table 1)

Chamfer distance (CD)，DTU · scan 24

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Huang et al., 2024a 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：原文未報告；單位：原文未報告；場景：DTU: 15 scenes with 49 or 69 images at 1600 x 1200, downsampled to 800 x 600 (scene type not described in the paper)

資料來源作者報告值(Huang et al., 2024a, Table 1)

數值與出處
方法（原文寫法）報告值出處
NeRF (Mildenhall et al., 2021)本方法1.9(Huang et al., 2024a, Table 1)
VolSDF (Yariv et al., 2021)1.14(Huang et al., 2024a, Table 1)
NeuS (Wang et al., 2021)1(Huang et al., 2024a, Table 1)
3DGS (Kerbl et al., 2023)2.14(Huang et al., 2024a, Table 1)
SuGaR (Guédon and Lepetit, 2023)1.47(Huang et al., 2024a, Table 1)
2DGS-15k (Ours)原文提出0.48(Huang et al., 2024a, Table 1)
2DGS-30k (Ours)原文提出0.48(Huang et al., 2024a, Table 1)

Mildenhall et al., 2020 · Table 1 本方法 9 筆

表格設定（擷取紀錄原文）：Novel-view synthesis quality: PSNR (dB) and SSIM higher is better, LPIPS lower is better; Diffuse Synthetic 360 (DeepVoxels, 4 objects, 479 input views), Realistic Synthetic 360 (8 path-traced objects, 100 input views), Real Forward-Facing (8 handheld cellphone scenes, 20 to 62 images, 1/8 held out). NV cannot run on real forward-facing data ('-'); SRN metrics computed at lower resolution (512 x 512 synthetic, 504 x 376 real). (Mildenhall et al., 2020, Table 1)

PSNR (higher is better)，Diffuse Synthetic 360 (DeepVoxels) · average over scenes

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Mildenhall et al., 2020 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：dB；場景：synthetic diffuse objects

資料來源作者報告值(Mildenhall et al., 2020, Table 1)

數值與出處
方法（原文寫法）報告值出處
SRN [41]33.2 dB(Mildenhall et al., 2020, Table 1)
NV [23]29.62 dB(Mildenhall et al., 2020, Table 1)
LLFF [27]34.38 dB(Mildenhall et al., 2020, Table 1)
NeRF (Ours)本方法原文提出40.15 dB(Mildenhall et al., 2020, Table 1)

Mildenhall et al., 2020 · Text Sec.5.3, 6.3, App. A 本方法 3 筆

資料集與序列per scene · typical scene

表格設定（擷取紀錄原文）：Optimization, rendering and storage cost of NeRF as stated in the text. (Mildenhall et al., 2020, Text Sec.5.3, 6.3, App. A)

optimization time per scene (100k to 300k iterations)，per scene · typical scene

這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Mildenhall et al., 2020 在此表設定下報告的數值（author-reported results），不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：days

數值與出處
方法（原文寫法）報告值出處
NeRF本方法原文提出硬體：single NVIDIA V100 GPU無數值未報告註記（擷取紀錄）：stated as about 1-2 days per scene(Mildenhall et al., 2020, Sec. 5.3)

來源

  • Mildenhall et al., 2020

    Ben Mildenhall, Pratul P. Srinivasan, Matthew Tancik, Jonathan T. Barron, Ravi Ramamoorthi, Ren Ng（2020）NeRF: Representing Scenes as Neural Radiance Fields for View SynthesisComputer Vision - ECCV 2020 (Lecture Notes in Computer Science), LNCS, pp. 405-421

    DOI 10.1007/978-3-030-58452-8_24arXiv 2003.08934程式碼

    同儕審查已出版已讀全文近十年

程式碼：https://github.com/bmild/nerf（授權：MIT）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉