主要观点：NeRF（神经辐射场）和3DGS（3D高斯劈裂）的目标是通过给定不同相机视角的一些3D场景图像，生成该场景从任何新相机视角的图像，即新视图合成。它们基于不同的渲染范式，有不同的权衡。
关键信息：

• NeRF通过输出每个像素的颜色生成新视角图像，使用机器学习学习输出颜色，基于光线追踪，训练数据是输入图像，最终得到一个包含权重的神经网络文件，是隐式场景表示，渲染新视角速度较慢但占用内存小。
• 3DGS通过绘制重叠的彩色/透明“劈裂”生成新视角图像，使用机器学习学习绘制内容，基于光栅化，训练数据是输入图像，最终得到一个包含高斯参数的文件，是显式场景表示，渲染新视角速度快但占用内存大。
• 两者都能输出高质量的逼真结果，训练大多数场景通常不到一小时，且难以直接相互转换，但都可转换为3D网格。
  重要细节：
• 光栅化快速因为一次渲染场景中的一个对象，GPU为此设计；光线追踪慢因为一次渲染一个像素，通过模拟从像素位置发射的光线计算颜色，数学复杂但更逼真。
• 3DGS渲染速度比最快的NeRF实现快近10倍，但占用内存是NeRF的10倍，3DGS可创建数百万个高斯，而NeRF只是数十兆大小的神经网络。
• 例如在乐高推土机和自行车的图像合成示例中展示了新视图合成的应用，NeRF和3DGS在可靠、快速、高质量的新视图合成方面有重要作用，且是3D远程呈现等工作的基础。