---
title: "神經輻射場（NeRF (Neural Radiance Field)）"
slug: nerf-neural-radiance-field
language: zh-TW
source: https://aiterms.tw/terms/nerf-neural-radiance-field
updated_at: 2026-06-22
tags: [電腦視覺, 深度學習, 神經網路, 3D視覺]
ipas_term: false
---

# 神經輻射場（NeRF (Neural Radiance Field)）

利用神經網絡隱式表達3D場景的函數，能從多視角影像重建逼真的3D場景和新視角合成。

## 完整說明

神經輻射場（NeRF）是一項革命性的3D重建技術，用多層感知器（MLP）隱式表達連續的3D場景。NeRF將3D座標和視角方向映射到該點的顏色和密度（輻射度），無需儲存顯式的網格或點雲。給定多視角影像，NeRF通過優化MLP權重重建場景。NeRF支撐新視角合成、3D場景編輯、光照估計和動態場景建模，在電影製作、遊戲開發、文物數位化和VR應用中前景廣闊。

## 常見問題

### 位置編碼為什麼這麼重要？

位置編碼（Positional Encoding）將3D座標映射到高維正弦特徵，使MLP能高效學習高頻信號。實驗表明，直接用原始座標訓練NeRF效果極差，只能学習模糊的低頻結構。原因是神經網絡的隱函數偏向低頻（馬尼費斯假設），高頻細節（如邊界、紋理）學習困難。位置編碼通過傅里葉變換將坐標升維，讓網絡在高維空間學習。這技巧來自transformer的位置嵌入思想，在NeRF上的應用取得巨大成功。不同的編碼方式（高度、頻率範圍）影響最終品質。

### NeRF訓練為什麼那麼慢？

NeRF訓練耗時主要來自兩方面。首先，訓練資料生成：每次迭代需沿大量光線採樣，再調用MLP查詢顏色和密度。對於800×600影像，每次迭代涉及48萬條光線，每條光線採樣64-128個點，共3000多萬次MLP調用。其次，梯度計算和反向傳播涉及大量浮點運算。典型NeRF模型需100K-300K次迭代（數小時到一天），遠慢於傳統SfM（數分鐘）。加速方向包括：1) 更高效的採樣策略（重要性採樣）；2) 更快的MLP（蒸餾為更小模型）；3) 並行化（多GPU）；4) 變體如Instant-NGP用混合編碼和樹狀結構，加速100倍。

### NeRF如何處理動態場景？

靜態NeRF假設場景固定，不能處理運動物體。動態NeRF（D-NeRF）擴展MLP接受時間參數。5D輸入變為6D：`f: (x, y, z, θ, φ, t) → (r, g, b, σ)`。訓練時用帶時間戳的多幀影像，每幀影像光線提供監督。推理時指定特定時間t，合成該時刻的新視角。動態NeRF能編碼人物動作、物體運動等。進一步改進是分解為靜態背景和動態前景NeRF，分別學習，避免混淆。但動態NeRF訓練更困難（數據量增加），軍運的估計也更複雜（多個時間步的光線交叉）。

---

來源：https://aiterms.tw/terms/nerf-neural-radiance-field
快查頁：https://aiterms.tw/terms/nerf-neural-radiance-field
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-nerf-neural-radiance-field