NeRF သည် CGI ကို အစားထိုးရန် နောက်ထပ်ခြေတစ်လှမ်း ပိုမိုနီးကပ်လာသည်။

MIT နှင့် Google မှ သုတေသီများသည် နောက်ဆုံးတွင် CGI ကိုအစားထိုးနိုင်သည့် ထွန်းသစ်စ AI မောင်းနှင်သည့် နည်းပညာအတွက် အခြေခံအတားအဆီးများထဲမှ တစ်ခုကို ဖြေရှင်းရာတွင် ကြီးမားသောခြေလှမ်းတစ်ရပ်ကို လှမ်းယူလိုက်ခြင်းဖြင့် ပုံရိပ်ဖော်နိုင်စေရန်၊ ပြန်လည်အရောင်ခြယ်ပြီး ပြန်လည်ထွန်းညှိပါ။

ချဉ်းကပ်နည်းသစ်ဟု ခေါ်သည်။ NeRFactorဖမ်းယူထားသော ပုံရိပ်များကို အရာဝတ္တုတစ်ခုစီတွင် ပုံမှန်များအဖြစ် ထိရောက်စွာ ပိုင်းခြားပေးသည် (မည်သည့်ပုံသဏ္ဍာန်များကို သတ်မှတ်ပေးနိုင်သည်)၊ အလင်းမြင်နိုင်စွမ်း၊ albedo (မျက်နှာပြင်နှင့် ဝေးကွာသော အလင်းပြန်မှုအချိုးအစား) နှင့် Bidirectional Reflectance Distribution Functions (BRDFs)။

ဤအသွင်အပြင်များကို သီးခြားခွဲထားခြင်းဖြင့်၊ အရာဝတ္ထုတစ်ခုချင်းစီ သို့မဟုတ် အရာဝတ္ထုအုပ်စုများအတွက် အသွင်အပြင်များကို ပြောင်းလဲရုံသာမက ဆန်းသစ်ပြီး ထူးခြားသောအလင်းရောင်အရင်းအမြစ်များနှင့် အရိပ်အကောင်အထည်ဖော်မှုများကိုပါ ထည့်သွင်းနိုင်သည့်အပြင် NeRF ပုံရိပ်အတွက် ထည့်သွင်းဖန်တီးပေးသည့် ကင်မရာအခင်းအကျင်းများစွာမှ ရိုက်ကူးထားသည့် မည်သည့်အရာကိုမဆို လျှော့စျေးလျှော့ပေးနိုင်သည်။

ပုံမှန်များ၊ မြင်နိုင်စွမ်း၊ albedo နှင့် BRDF သည် NeRFactor အောက်တွင် ခွဲခြားထားသည်။ Source: https://www.youtube.com/watch?v=UUVSPJlwhPg

မော်ဒယ်သည် ထင်သလို အသုံးပြုသူသတ်မှတ်ထားသော အလင်းရောင်အရင်းအမြစ်များမှ ပျော့ပျောင်းသော သို့မဟုတ် မာကျောသောအရိပ်များကို ပံ့ပိုးပေးကာ ပြန်လည်တည်ဆောက်မှုဆုံးရှုံးခြင်း၊ BRDF ၏ ယခင်တွက်ချက်မှုများမှ ဒေတာနှင့် အခြေခံရိုးရှင်းသော ချောမွေ့မှုကို ပုံမှန်ပြုလုပ်ခြင်းတို့ကို အသုံးပြု၍ ရိုက်ကူးထားသော ဗီဒီယို၏ ကဏ္ဍလေးရပ်ကို ပရိုဂရမ်စနစ်ဖြင့် ပိုင်းခြားထားသည်။

NeRFactor ၏ အလုပ်အသွားအလာသည် ကင်မရာအခင်းအကျင်းများမှ ဆင်းသက်လာသော သီးခြားလုပ်ဆောင်နိုင်သော ပုံရိပ်များကို ထုတ်ယူသည်။ အရင်းအမြစ်- https://arxiv.org/pdf/2106.01970.pdf

NeRFactor သည် HDR light probe ကိုအသုံးပြုပြီး ၎င်းမှစတင်၍ အမြင်အာရုံဆိုင်ရာစက်မှုလုပ်ငန်းနှင့် အနုပညာမြင်ကွင်းကို ပျံ့နှံ့စေသည့် ကောင်းမွန်စွာဖွဲ့စည်းထားသောချဉ်းကပ်မှုတစ်ခုဖြစ်သည်။ နိဒါန်း 1998 ခုနှစ်တွင်၊ အလင်းရောင်ကို မထင်မရှားဖြစ်စေသော ရောင်ခြည်များအတွက် ဖြစ်နိုင်သောလမ်းကြောင်းများကို အကဲဖြတ်ရန်။ ၎င်းသည် လွှမ်းမိုး၍မရသော ကန့်သတ်ချက်များ အများအပြားကို ထုတ်ပေးသောကြောင့်၊ မော်ဒယ်အာကာသအတွက် အလင်းအမှောင်ထုမြေပုံကို တွက်ချက်ရန် မကြိုးစားဘဲ နားလည်ထားသော ဂျီသြမေတြီကို အလွှာပေါင်းစုံမှ ဖမ်းယူနိုင်စေမည့် အလွှာပေါင်းစုံ perceptron (MLP) မှတဆင့် စစ်ထုတ်ပါသည်။

NeRFactor အောက်တွင် ဖြစ်နိုင်သည့် အလင်းရောင်ပုံစံငါးခုကို သရုပ်ပြရန်အတွက် အာရုံကြောအလင်းအကွက်ပုံစံ မော်ဒယ်နှစ်ခုကို အသုံးပြုပါသည်။ ပိုမိုကြည်လင်ပြတ်သားမှုအတွက် ပုံကိုနှိပ်ပါ။

ဆင်ခြင်သုံးသပ်ရန် အကြောင်းတရား

သုတေသနအသစ်သည် ရောင်ပြန်ဟပ်မှုကို ထိန်းချုပ်သည့် ဖမ်းယူထားသော ပုံရိပ်အလွှာများကို ခွဲထုတ်ရာတွင် အရေးအပါဆုံးဖြစ်ကောင်းဖြစ်နိုင်သည်။ အမှန်တကယ်ဆန်းသစ်ပြီး ပြောင်းလွယ်ပြင်လွယ်ရှိသော NeRF စနစ်သည် အသွင်အပြင်များကို အစားထိုးနိုင်ရုံသာမက ရွေ့လျားနေသော အရာဝတ္ထုများကို ထင်ဟပ်ထင်ဟပ်စေမည့် နည်းလမ်းများစွာ လိုအပ်သောကြောင့် ၎င်းသည် အာရုံကြောရောင်ခြည်နယ်ပယ်ပုံရိပ်များအတွက် အကြီးမားဆုံးစိန်ခေါ်မှုများထဲမှတစ်ခုအဖြစ် ကျန်ရှိနေပါသေးသည်။ ၎င်းကို ပုံမှန်အားဖြင့် CGI လုပ်ငန်းအသွားအလာတွင် ထည့်သွင်းတွက်ချက်မည်ဖြစ်သည်။

Intel နှင့် ပတ်သက်၍ ဤပြဿနာကို မကြာသေးမီက သတိပြုမိခဲ့သည်။ အထင်ကြီးလောက်စရာ သုတေသနအသစ် ဗီဒီယိုဂိမ်းရိုက်ကူးမှုကို အာရုံကြောကွန်ရက်များမှတစ်ဆင့် ဓာတ်ပုံအစစ်အမှန်ဗီဒီယိုအဖြစ်သို့ ပြောင်းလဲခြင်း။ ထိုသို့သောလုပ်ငန်းအသွားအလာများတွင်၊ အရင်းအမြစ်ပစ္စည်း၏ 'ဖုတ်ထားသော' ရှုထောင့်များစွာသည် ခွဲခြမ်းစိပ်ဖြာ၍ လဲလှယ်နိုင်သောဖြစ်လာရန် လိုအပ်မည်ဖြစ်ပြီး၊ ၎င်းသည် အလင်းပြန်ရန်အတွက် (၎င်းသည် NeRF တွင် ပြန်ဆိုထားသည့် ဂျီသြမေတြီ၏လုပ်ဆောင်ချက်တစ်ခုဖြစ်သည်)၊ မော်ဒယ်၏ ဘောင်အပြင်ဘက်တွင် လုံးဝမရှိသည့် ဂျီသြမေတြီ)။

ထို့ကြောင့်၊ ရောင်ပြန်ဟပ်မှုကို လွယ်ကူချောမွေ့စေသည့် NeRF ဗီဒီယိုရှိ အလွှာများကို သီးခြားခွဲထားခြင်းဖြင့် NeRF သည် ၎င်း၏ 'ရောင်ပြန်ဟပ်မှုစိန်ခေါ်မှု' ကို ဖြေရှင်းရန် ခြေတစ်လှမ်းပိုမိုနီးကပ်စေပါသည်။

HDR ပတ်ဝန်းကျင်ကို အသုံးပြုခြင်းသည် ကမ္ဘာ့ပတ်ဝန်းကျင် ရောင်ပြန်ဟပ်မှုများ (ဥပမာ ကောင်းကင်၊ ရှုခင်းများနှင့် အခြားသော 'ပုံသေ' ပတ်ဝန်းကျင်ဆိုင်ရာအချက်များ) ကို ဖြေရှင်းပေးထားပြီးဖြစ်သော်လည်း ရွေ့လျားပြီး တက်ကြွသော ရောင်ပြန်ဟပ်မှုများကို မိတ်ဆက်ပေးရန်အတွက် ချဉ်းကပ်မှုအသစ်များ လိုအပ်ပါမည်။

NeRF ဖြင့် Photogrammetry

Neural Radiance Field ပုံရိပ်သည် ရှုထောင့်များစွာမှ ဖမ်းယူရရှိထားသော မြင်ကွင်းတစ်ခု သို့မဟုတ် အရာဝတ္ထုတစ်ခုမှ လုံးဝထုထည်ရှိသော အာကာသကို ဖန်တီးရန်အတွက် စက်သင်ယူမှုပိုင်းခြားစိတ်ဖြာမှုကို အသုံးပြုသည်။

ပြီးခဲ့သည့်နှစ်တွင် ပေါ်ပေါက်ခဲ့သော NeRF-based အစီအစဥ် အမျိုးမျိုးသည် ပံ့ပိုးပေးသည့် ကင်မရာကိရိယာ အများအပြားကို အသုံးပြုခဲ့သည်။ အချို့က ကင်မရာ ၁၆ လုံးနှင့်အထက်ကို အသုံးပြုကြပြီး အချို့မှာ တစ်လုံး သို့မဟုတ် နှစ်လုံးသာရှိသည်။ ကိစ္စရပ်တိုင်းတွင်၊ အလယ်အလတ်အမြင်များကို 'ပြည့်' (ဆိုလိုသည်မှာ အဓိပ္ပာယ်ဖွင့်ဆိုထားသည်) သို့မှသာ မြင်ကွင်း သို့မဟုတ် အရာဝတ္တုများကို ချောမွေ့စွာ သွားလာနိုင်သည်။

ထွက်ပေါ်လာသည့်အရာသည် 3D ခွဲခြမ်းစိတ်ဖြာထားသော ပုံများ၏ 3D ခွဲခြမ်းစိတ်ဖြာမှုမှ ရိုးရာ CG meshes များထုတ်လုပ်နိုင်မှုအပါအဝင် နည်းလမ်းများစွာဖြင့် အသုံးချနိုင်သည့် ပင်ကိုယ် XNUMXD နားလည်မှုဖြင့် လုံး၀ ထုထည်ကြီးမားသော အာကာသတစ်ခုဖြစ်သည်။

'CGI အသစ်' ၏အခြေအနေတွင် NeRF

Neural radiance field ပုံရိပ်များ ရေးဆွဲ လူများ၊ အရာဝတ္ထုများနှင့် မြင်ကွင်းများ အပါအဝင် လက်တွေ့ကမ္ဘာ၏ ပုံရိပ်များမှ တိုက်ရိုက်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ CGI နည်းစနစ်တစ်ခုသည် 'လေ့လာခြင်း' နှင့် ကမ္ဘာကို အဓိပ္ပာယ်ဖွင့်ဆိုပေးကာ ကျွမ်းကျင်လုပ်သားများကို လက်တွေ့ကမ္ဘာပုံရိပ်များ (ဆိုလိုသည်မှာ မျက်နှာနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ ပုံရိပ်များကို အသုံးပြုသည့် ကွက်ကွက်များ၊ တူးစင်များနှင့် အသွင်အပြင်များ တည်ဆောက်ရန် ကျွမ်းကျင်လုပ်သားများ လိုအပ်ခြင်း)။ ၎င်းသည် စျေးကြီးပြီး ပင်ပန်းခက်ခဲသော မရှိမဖြစ်လိုအပ်သော အဓိပ္ပာယ်ဖွင့်ဆိုမှုနှင့် လက်မှုပညာဆိုင်ရာချဉ်းကပ်မှုတစ်ခုအဖြစ် ကျန်ရှိနေပါသေးသည်။

ထို့အပြင်၊ CGI သည် လူသားပုံသဏ္ဍာန်များကို ပြန်လည်ဖန်တီးရန် ၎င်း၏ကြိုးပမ်းမှုတွင် 'uncanny valley' effect နှင့် ပြဿနာများ ဆက်လက်ရှိနေခဲ့ပြီး ၎င်းသည် NeRF-driven ချဉ်းကပ်မှုတွင် အတားအဆီးမရှိ၊ လူအစစ်များ၏ ဗီဒီယို သို့မဟုတ် ရုပ်ပုံများကို ဖမ်းယူပြီး ၎င်းကို ခြယ်လှယ်သည်။

ထို့အပြင်၊ NeRF သည် လိုအပ်သလို ဓာတ်ပုံများမှ ရိုးရာ CGI စတိုင် mesh ဂျီသြမေတြီကို တိုက်ရိုက်ထုတ်လုပ်နိုင်ပြီး ကွန်ပျူတာဖြင့် ဖန်တီးထားသော ပုံများတွင် အမြဲတမ်းလိုအပ်သည့် လက်စွဲလုပ်ထုံးလုပ်နည်းများစွာကို အစားထိုးနိုင်သည်။

NeRF အတွက် စိန်ခေါ်မှုများ

MIT နှင့် Google တို့မှ နောက်ဆုံးသုတေသနပြုထားသော ဤသုတေသနသည် ပြီးခဲ့သောနှစ်တွင် NeRF စာတမ်းများ၏ အမှန်တကယ်ရေလွှမ်းမိုးမှုအခြေအနေတွင် ထွက်ပေါ်လာပြီး အများစုမှာ 2020 ခုနှစ်အစောပိုင်းစာတမ်းတွင် ပေါ်ပေါက်လာသည့် စိန်ခေါ်မှုအမျိုးမျိုးအတွက် အဖြေများကို ပေးဆောင်ခဲ့ကြပါသည်။

ဧပြီလတွင် တရုတ်သုတေသနလုပ်ငန်းစုမှ ဆန်းသစ်တီထွင်မှုနည်းလမ်းတစ်ခုကို ပံ့ပိုးပေးခဲ့သည်။ မသိမသာ ခွဲထုတ်သည်။ လူများအပါအဝင် NeRF မြင်ကွင်းတစ်ခုရှိ အသွင်အပြင်များ၏ အချိန်ဇယားများ။

တရုတ်သုတေသနက အသုံးပြုသူများသည် ဖမ်းယူထားသောဒြပ်စင်များကို ကူးယူ၊ ကူးထည့်ကာ အရွယ်အစားပြောင်းလဲနိုင်ကာ ၎င်းတို့အား မူရင်းရင်းမြစ်ဗီဒီယို၏ မျဉ်းဖြောင့်အချိန်ဇယားမှ ဖယ်ထုတ်ခွင့်ပြုထားသည်။ အရင်းအမြစ်- https://www.youtube.com/watch?v=Wp4HfOwFGP4

ဤချဉ်းကပ်မှုသည် ကင်မရာအခင်းအကျင်းမှ ရိုက်ကူးထားသော မည်သည့်ထောင့်မှ မြင်ကွင်းကို ပြန်လည်မြင်ယောင်နိုင်စေရုံသာမက (ပုံမှန်ဗီဒီယိုရိုက်ကူးမှုတွင် ဖော်ပြထားသည့် မြင်ကွင်းတစ်ခုတည်းသာမက)၊ စွယ်စုံပေါင်းစပ်ခြင်းကိုလည်း လုပ်ဆောင်နိုင်သည် - နှင့် တူညီသောအသွင်အပြင်နှစ်ခုကို ကိုယ်စားပြုနိုင်စွမ်းပင် ၎င်းတို့၏ ကိုယ်ပိုင်အချိန်ဘောင်များတွင် လည်ပတ်နေသည့် ဗီဒီယိုဖိုင်များ (သို့မဟုတ် လိုအပ်သလို နောက်ပြန်ပြေးခြင်းပင်)။

တရုတ်သုတေသနက အသုံးပြုသူများသည် ဖမ်းယူထားသောဒြပ်စင်များကို ကူးယူ၊ ကူးထည့်ကာ အရွယ်အစားပြောင်းလဲနိုင်ကာ ၎င်းတို့အား မူရင်းရင်းမြစ်ဗီဒီယို၏ မျဉ်းဖြောင့်အချိန်ဇယားမှ ဖယ်ထုတ်ခွင့်ပြုထားသည်။ အရင်းအမြစ်- https://www.youtube.com/watch?v=Wp4HfOwFGP4

NeRF အတွက် အကြီးမားဆုံးစိန်ခေါ်မှုများထဲမှတစ်ခုမှာ မြင်ကွင်းတစ်ခုကို လေ့ကျင့်ရန် လိုအပ်သော အရင်းအမြစ်များစွာကို လျှော့ချထားပြီး ၎င်းကို မကြာသေးမီက စာတမ်းများစွာတွင် ကိုင်တွယ်ဖြေရှင်းခဲ့သည်။ ဥပမာအားဖြင့်၊ Max Planck Institute for Intelligent Systems သည် မကြာသေးမီက မိတ်ဆက်ခဲ့သည်။ KiloNeRF1000 အချက်ဖြင့် rendering အကြိမ်များကို အရှိန်မြှင့်ပေးရုံသာမက NeRF သည် အပြန်အလှန်အကျိုးသက်ရောက်စွာ လည်ပတ်နိုင်စေပါသည်။

KiloNeRF သည် GTX 50ti တွင် 1080fps ဖြင့် အပြန်အလှန်အကျိုးပြုသော ပတ်ဝန်းကျင်ကို လုပ်ဆောင်နေသည်။ အရင်းအမြစ်- https://github.com/creiser/kilonerf

သို့သော်လည်း 2021 ခုနှစ်တွင် သုတေသီများနှင့် လူအများ၏ စိတ်ကူးစိတ်သန်းများကို အမှန်တကယ်ဖမ်းစားနိုင်သော NeRF မြန်နှုန်းဆန်းသစ်တီထွင်မှုသည်၊ PlenOctree Neural Radiance Fields များကို အချိန်နှင့်တစ်ပြေးညီ တင်ဆက်ပေးသည့် UC Berkeley မှ ဦးဆောင်သော ပူးပေါင်းဆောင်ရွက်မှု-

PlenOctrees ၏အပြန်အလှန်အကျိုးသက်ရောက်မှုစွမ်းရည်ကိုပြန်လည်ထုတ်ပေးခဲ့သည်။ တိုက်ရိုက်၊ ဝဘ်အခြေပြု အင်တာဖေ့စ်.

Firefox ရှိ PlenOctrees အရာဝတ္ထုတစ်ခု၏ တိုက်ရိုက်အပြန်အလှန် လှုပ်ရှားမှု (လှုပ်ရှားမှုသည် ဤ GIF ကိုယ်စားပြုသည်ထက် ပိုမိုချောမွေ့ပြီး ပိုမိုသွက်လက်သည်)။ အရင်းအမြစ်: http://alexyu.net/plenoctrees/demo/

ထို့အပြင်, Recursive-NeRF (Tsinghua University မှ သုတေသီများ၏ မေလ 2021 ခုနှစ် စာတမ်းမှ) အရည်အသွေးမြင့် recursive rendering ကို ဝယ်လိုအား ပေးပါသည်။ မမြင်ရသော အစိတ်အပိုင်းများအပါအဝင် မြင်ကွင်းတစ်ခုလုံးကို တင်ဆက်ရန် သုံးစွဲသူအား တာဝန်ပေးမည့်အစား၊ Recursive-NeRF သည် JPEG ၏ ဆုံးရှုံးမှုချုံ့မှုကဲ့သို့ တစ်စုံတစ်ရာကို ပံ့ပိုးပေးကာ လိုအပ်ချက်အရ အပိုပုံရိပ်များကို ကိုင်တွယ်ရန် သီးခြားခွဲထုတ်နိုင်သော NeRFs များကို ထုတ်လုပ်နိုင်သည် - တွက်ချက်မှုဆိုင်ရာ အရင်းအမြစ်များတွင် ကြီးမားသောချွေတာမှုကို ရရှိစေပါသည်။ .

Recursive-NeRF ဖြင့် မလိုအပ်သော render တွက်ချက်မှုများကို စွန့်ပစ်နေစဉ် အသေးစိတ်ကို ထိန်းသိမ်းခြင်း။ ပိုမိုကြည်လင်ပြတ်သားမှုအတွက် ပုံကိုနှိပ်ပါ။ အရင်းအမြစ်- https://arxiv.org/pdf/2105.09103.pdf

အခြားနည်းလမ်းများပါဝင်သည်။ FastNeRF200fps တွင် ခိုင်မာသော အာရုံကြောဆိုင်ရာ တင်ဆက်မှုကို ရရှိရန် တောင်းဆိုထားသည့်၊

NeRF အတွက် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းနည်းပညာများစွာ ပါဝင်ကြောင်း မှတ်သားထားပါသည်။ 'ဖုတ်' မြင်ကွင်းစူးစမ်းရှာဖွေမှုကို ကန့်သတ်ထားသော်လည်း အပြန်အလှန်တုံ့ပြန်မှုကို အလွန်အရှိန်မြှင့်ပေးသည့် အခြားအသွင်အပြင်များကို စွန့်ပစ်လိုသော အသွင်အပြင်များကို ကတိပြုခြင်းဖြင့်၊

ဤအရာ၏ အားနည်းချက်မှာ ဖိစီးမှုသည် GPU မှ သိုလှောင်မှုသို့ ရွေ့သွားခြင်းဖြစ်သည်၊ အကြောင်းမှာ မီးဖုတ်ထားသော မြင်ကွင်းများသည် disk space ပမာဏ မတန်တဆ ယူသောကြောင့် ဖြစ်သည်။ အတိုင်းအတာတစ်ခုအထိ၊ ၎င်းသည် စူးစမ်းရှာဖွေမှု သို့မဟုတ် အပြန်အလှန်တုံ့ပြန်မှုလမ်းကြောင်းများပိတ်ခြင်းအတွက် တိကျသေချာသောကတိကဝတ်တစ်ခုလည်းပါ၀င်သော်လည်း ၎င်းသည် ဖုတ်ထားသောဒေတာကို နမူနာချခြင်းဖြင့် လျော့ပါးသွားနိုင်သည်။

လှုပ်ရှားမှုရိုက်ကူးခြင်းနှင့် အကြံအဖန်ပြုလုပ်ခြင်းနှင့်ပတ်သက်၍ Zheijang နှင့် Cornell တက္ကသိုလ်များမှ ချဉ်းကပ်မှုအသစ်၊ မေလတွင်ထုတ်ဖော်ပြောကြားခဲ့သည်ထည့်သွင်းဗီဒီယိုမှ ဘာသာပြန်ဆိုထားသော အလေးချိန်ကွက်လပ်များနှင့် အရိုးစုပုံသဏ္ဍန်များကို အသုံးပြု၍ သက်ဝင်လှုပ်ရှားနိုင်သော လူသားများကို ပြန်လည်ဖန်တီးရန် နည်းလမ်းကို ကမ်းလှမ်းခဲ့သည်-

Animatable NeRF တွင် အရိုးစုဖွဲ့စည်းပုံမှ ဆင်းသက်လာသည်။ အရင်းအမြစ်- https://www.youtube.com/watch?v=eWOSWbmfJo4

NeRF သည် ၎င်း၏ 'Jurassic Park' အခိုက်အတန့်ကို မည်သည့်အချိန်တွင် ရမည်နည်း။

အာရုံကြောရောင်ခြည်နယ်ပယ်များမှတစ်ဆင့် ရုပ်ပုံပေါင်းစပ်မှုနှင့်အတူ လျင်မြန်သောအရှိန်အဟုန်ဖြင့် တိုးတက်နေသော်လည်း၊ မည်သည့် 'သာမိုဒိုင်းနမစ်ဥပဒေ' အမျိုးအစားကို NeRF မည်ကဲ့သို့ ဖြန့်ကျက်နိုင်စေရန်အတွက် ဤအချိန်အတွင်းသာ တည်ရှိမည်ဖြစ်သည်။ CGI ၏သမိုင်းကြောင်းနှင့်ဆင်တူသော timeline အရ NeRF သည် 1973 ခုနှစ်ဝန်းကျင်တွင် လက်ရှိအချိန်၌ ပျံဝဲနေပါသည်။ ပထမဦးဆုံးအအသုံးပြုမှုကို CGI ၏ Westworld.

ဆိုလိုသည်မှာ NeRF သည် ၎င်း၏ညီမျှမှုအတွက် ကိုးနှစ်စောင့်ရမည်ဟု မဆိုလိုပါ။ Wrath Of Khan မှတ်တိုင်သို့မဟုတ် 1989 ခုနှစ်များတွင် James Cameron ၏ စိတ်အားထက်သန်သော ပံ့ပိုးမှုအောက်တွင် CGI အောင်မြင်ခဲ့သော အလားတူအောင်မြင်မှုများအတွက် ဆယ်စုနှစ်များစွာ၊ အနက်ဆုံးသောတွင်း သို့မဟုတ် ၁၉၉၁ ခုနှစ်များ Terminator 2 - ထို့နောက်၊ နည်းပညာသည် အမှန်တကယ် တော်လှန်သည်။ breakout အခိုက်အတန့် 1993 မှာ Jurassic Park က.

ရုပ်ရှင်နှင့် ရုပ်မြင်သံကြားထုတ်လုပ်မှုကို လွှမ်းမိုးထားသည့် ဓာတ်ပုံ-ဓာတုအမြင်ဆိုင်ရာ အကျိုးသက်ရောက်မှုများ ကြာရှည်စွာ တုံ့ဆိုင်းနေချိန်မှစပြီး ပုံရိပ်ဖော်ခြင်းမြင်ကွင်းသည် များစွာပြောင်းလဲသွားခဲ့သည်။ PC တော်လှန်ရေး ထွန်းကားလာပြီး Moore ၏ ဥပဒေ အရှိန်အဟုန်ဖြင့် CGI တော်လှန်ရေးကို ဖြစ်ပေါ်စေခဲ့ပြီး ထိုသို့မဟုတ်ပါက 1990 ခုနှစ်များ အစောပိုင်းတွင် ဖြစ်ပေါ်လာနိုင်သည်ဟု ယူဆနိုင်သည်။

NeRF ၏တိုးတက်မှုကို အချိန်အကြာကြီးထိန်းထားနိုင်သည့် အတားအဆီးတစ်စုံတစ်ရာရှိမရှိ စောင့်ကြည့်ရဦးမည်ဆိုပါက - နှင့် တစ်ချိန်တည်းတွင် ကွန်ပျူတာအမြင်တွင် ဆန်းသစ်တီထွင်မှုများသည် CGI ၏သရဖူအတွက် အဓိကပြိုင်ဘက်အဖြစ် NeRF ကို လုံးလုံးလျားလျားကျော်လွန်နိုင်မည်မဟုတ်ပေ။ အာရုံကြောပုံရိပ်ပေါင်းစပ်မှု၏ သက်တမ်းတို 'ဖက်စ်စက်' အဖြစ်။

ယခုအချိန်အထိ၊ NeRF ကို ပညာရပ်ဆိုင်ရာ သုတေသနပြင်ပ မည်သည့်အကြောင်းအရာတွင်မျှ အသုံးမပြုရသေးပါ။ သို့သော် Google Research ကဲ့သို့သော အဓိက ကစားသမားများနှင့် အထင်ရှားဆုံး ကွန်ပျူတာ အမြင်အာရုံ သုတေသန ဓာတ်ခွဲခန်း အများအပြားသည် နောက်ဆုံးပေါ် NeRF တိုးတက်မှုအတွက် ပြိုင်ဆိုင်နေကြသည်မှာ မှတ်သားဖွယ်ကောင်းသည်။

NeRF ၏ အကြီးမားဆုံး အတားအဆီးများစွာကို ယခုနှစ်တွင် တိုက်ရိုက်ကိုင်တွယ်ဖြေရှင်းရန် စတင်နေပြီဖြစ်သည်။ နောက်ဆက်တွဲ သုတေသနသည် 'ရောင်ပြန်ဟပ်မှုပြဿနာ' အတွက် အဖြေတစ်ခု ပေးဆောင်ပါက၊ နှင့် NeRF-optimizing research ၏ များစွာသော အပိုင်းများသည် နည်းပညာ၏ စဉ်းစားဆင်ခြင်ဖွယ်ရာ လုပ်ဆောင်မှုနှင့်/သို့မဟုတ် သိုလှောင်မှုလိုအပ်ချက်များအတွက် အဆုံးအဖြတ်ပေးနိုင်သော အဖြေတစ်ခုအဖြစ် NeRF သည် 'CGI အသစ်ဖြစ်လာရန် အလားအလာရှိပါသည် 'နောက်ငါးနှစ်အတွင်း။