主要观点：提出一种高效的辐射场渲染算法，采用自适应稀疏体素的光栅化过程，无需神经网络或 3D 高斯，有两个关键贡献，能高效融合 2D 模态到训练好的稀疏体素中，在 novel-view 合成结果上达先进水平。
关键信息：

• 更新时间及内容：2025 年 3 月 18 日修订文献综述，支持 depthanythingv2 相对深度损失和 mast3r 度量深度损失；3 月 8 日支持 ScanNet++数据集，可查看第三方隐藏集评估结果及相关短报告。
• 算法概述：场景表示为原始和体积模型的混合，通过射线方向相关的 Morton 排序确保正确的原始混合顺序，避免 3DGS 的弹出伪影，PSNR 提高 4db 以上，FPS 提速 10 倍以上。
• novel-view 合成结果：通过多组对比图展示优于 3DGS 的合成效果。
• 自适应稀疏体素融合：可将 2D 模态高效融合到稀疏体素中，如从渲染深度到稀疏体素 SDF 再到网格等多种融合示例。
• 相关工作对比：在数据结构、稀疏场、可扩展性和新场景表示等方面与其他方法对比，指出自身方法的特点和局限性。
  重要细节：
• 场景表示中体素的原始组件按八叉树布局分配覆盖不同细节级别，体积组件包含密度场和球谐场。
• 自适应细节级别对可扩展性和质量关键，均匀体素大小的稀疏体素无法扩展。
• 目前最大八叉树级别为 16，对应 655363 最大网格分辨率，扩展到更多级别较简单，渲染时间增加 minor。
• 引用的 BibTeX 信息：@article{Sun2024SVR...