3D重建论文学习
三维空间的描述形式
参考资料：1;
显式
Voxel体素
Point cloud点云
Triangle mesh三角网格
隐式
场的定义：“空间中点”到“点的属性”（可以是向量，如磁感应矢量B，也可以是是标量）的映射。
隐式表示可以看成是：一种映射，可以用函数or神经网络去拟合映射关系。
SDF(Signed Distance Funciton)符号距离函数
SDF表示一个点到一个曲面的最小距离，同时用正负来区分点在曲面内外。
映射关系：空间中点(x,y,z)->距离值s
Occupancy Field 占用场
占用场表示一个点被曲面占用的概率（占用就是在曲面内部）
映射关系：空间中点(x,y,z)->[0,1]是否占用，以0.5为分界
占用场给空间中每个点都赋一个是否被曲面占用的概率，相当于表示了一个点在曲面内部的概率
Neural Radiance Field 神经辐射场
映射关系：(x,y,z,d)->(R,G,B,sigma)
d其实是球坐标(cita,fai)，描述空间射线，所以映射的自变量是5维向量
空间中的点+点发出的一条射线，d表示从这个点发出的一条射线的方向->R,G,B表示从这个射线的方向去看这个点的颜色值，sigma表示这个点的密度值/透明度值
辐射场的定义：
将“空间中的点+点发出的一条射线”映射到“属性”
如隐式亮度场：
映射到“点的密度值+射线的方向对应的颜色值”，刻画了光在三维空间的分布，而不明确定义场景的几何形状
从任何角度去观察，都可以得到该视角的观察结果（观察结果其实就是一幅RGB图像）
为了达到这个效果，需要保证：
每个点，在每个角度，都能呈现出一种特定的颜色
->
从这个点，发出的每一个角度的射线，都能呈现出一种特定的颜色（可以想象一个长满五颜六色的刺的海胆）
->
空间中每一个点的每一个角度，都需要一个对应的颜色值，也就是(x,y,z,d)->(R,G,B)
->
不同的点的颜色透明度会不同，比如烟雾或者彩色的玻璃，虽然它们有颜色，但是我们也可以透过它们看到之后的物体，于是我们还需要给点增加一个新的属性，透明度sigma，有的地方也叫密度（但我认为透明度才是正确的说法！密度和透明度有必然联系吗？）也就是(x,y,z,d)->(R,G,B,sigma)
用神经网络去拟合辐射场的映射关系
任何点的亮度都不显式储存，而是通过查询MLP实时计算，以高计算负荷为代价（显式储存，人如其名，占用大量内存，分辨率低，因为内存比神经网络所能储存的数据量小，但快速）
一种类似数组的储存（？）
3D reconstruction
释义：3D重建，将捕获的2D视图集合转换为可被计算机处理和理解的3D模型。
体绘制
参考资料：1;
NeRF
释义：Neural Radiance Field，神经辐射场，将摄像机位置直接映射到颜色&密度
3D Gaussian Splatting(3D GS)
隐式辐射场
参考资料：1
YOLO
OpenCV
人流密度检测
3D Gaussian Splatting for Real-Time Radiance Field Rendering
3D Gaussian Splatting实时辐射场渲染