现实世界本质上是动态的。虽然静态神经辐射场（NeRF）彻底改变了3D场景表示，但将其扩展以处理时间变化为建模从人类表演到流体动力学的一切事物开辟了可能性。本章探讨了如何将时间作为神经辐射场中的一个额外维度，转换体渲染方程以处理动态场景，同时保持我们统一框架的数学优雅。
动态场景带来了独特的挑战：在没有混叠的情况下捕捉快速运动，保持时间连贯性，处理拓扑变化，以及在将时间作为第四维度添加时管理数据复杂性的指数增长。我们将看到，仔细的数学公式，结合物理学和信号处理的见解，如何带来实用且高效的解决方案。
完成本章后，您将能够：
本章建立在以下内容之上：
动态辐射场要求我们建模几何（密度 $\sigma$）和外观（颜色 $\mathbf{c}$）如何随时间演变。关键的见解是，虽然数学框架保持优雅，但时间表示的选择深刻影响表达能力和计算效率。
第6章中的静态体渲染方程：
\[C(\mathbf{r}) = \int_{t_n}^{t_f} T(t)\sigma(\mathbf{r}(t))\mathbf{c}(\mathbf{r}(t), \mathbf{d}) dt\]其中 $T(t) = \exp\left(-\int_{t_n}^{t} \sigma(\mathbf{r}(s))ds\right)$
对于动态场景，我们引入时间 $\tau$ 作为附加参数（注意：我们使用 $\tau$ 表示场景时间以区别于射线参数 $t$）：
\[C(\mathbf{r}, \tau) = \int_{t_n}^{t_f} T(t, \tau)\sigma(\mathbf{r}(t), \tau)\mathbf{c}(\mathbf{r}(t), \mathbf{d}, \tau) dt\]透射率也变得与时间相关：
\[T(t, \tau) = \exp\left(-\int_{t_n}^{t} \sigma(\mathbf{r}(s), \tau)ds\right)\]这个看似简单的扩展具有深远的影响：
时间扩展场的数学性质：
时间扩展辐射场必须满足几个连续性条件以实现物理合理性：
时间连续性：对于平滑运动，我们要求： \(\lim_{\Delta\tau \to 0} \|\sigma(\mathbf{x}, \tau + \Delta\tau) - \sigma(\mathbf{x}, \tau)\| = 0\)
时空耦合：梯度张量： \(\nabla_{(\mathbf{x},\tau)} f = \begin{bmatrix} \nabla_\mathbf{x} f \\ \frac{\partial f}{\partial \tau} \end{bmatrix}\)
捕捉了空间和时间变化如何相互作用。
守恒定律：对于物理场景，密度变化必须遵守质量守恒： \(\frac{\partial \rho}{\partial \tau} + \nabla \cdot (\rho \mathbf{v}) = 0\)
其中 $\rho = \sigma$（将密度视为质量密度）且 $\mathbf{v}$ 是速度场。
运动模糊公式：
为了实现真实的渲染，我们必须考虑有限的曝光时间。观察到的辐射变为时间积分：
\[C_{\text{blur}}(\mathbf{r}) = \frac{1}{\Delta\tau} \int_{\tau_0}^{\tau_0+\Delta\tau} C(\mathbf{r}, \tau) d\tau\]用体渲染方程展开：
\[C_{\text{blur}}(\mathbf{r}) = \frac{1}{\Delta\tau} \int_{\tau_0}^{\tau_0+\Delta\tau} \int_{t_n}^{t_f} T(t, \tau)\sigma(\mathbf{r}(t), \tau)\mathbf{c}(\mathbf{r}(t), \mathbf{d}, \tau) dt d\tau\]根据富比尼定理（在适当的可积性条件下），我们可以交换积分顺序：
\[C_{\text{blur}}(\mathbf{r}) = \int_{t_n}^{t_f} \left[\frac{1}{\Delta\tau} \int_{\tau_0}^{\tau_0+\Delta\tau} T(t, \tau)\sigma(\mathbf{r}(t), \tau)\mathbf{c}(\mathbf{r}(t), \mathbf{d}, \tau) d\tau\right] dt\]这个公式揭示了运动模糊可以被解释为使用时间平均密度和颜色场进行渲染。
快门函数：
真实相机没有随时间均匀的曝光。我们用快门函数 $s(\tau)$ 进行泛化：
\[C_{\text{blur}}(\mathbf{r}) = \int_{\tau_0}^{\tau_0+\Delta\tau} s(\tau) C(\mathbf{r}, \tau) d\tau\]其中 $\int s(\tau) d\tau = 1$。常见的快门函数包括：
| 三角快门：$s(\tau) = \frac{2}{\Delta\tau}\left(1 - \frac{2 | \tau - \tau_0 - \Delta\tau/2 | }{\Delta\tau}\right)$ |
快门函数的选择影响运动模糊特性，可以从数据中学习或为艺术效果而设计。
离散时间表示和连续时间表示之间的选择涉及表达能力、内存效率和优化复杂性之间的基本权衡。
离散时间表示： 对于 $N$ 个时间步的序列 ${\tau_i}_{i=1}^N$，我们可以将辐射场表示为：
\[\mathcal{F}_{\text{discrete}} = \{f_{\theta_i}: \mathbb{R}^3 \times \mathbb{S}^2 \rightarrow \mathbb{R}^4\}_{i=1}^N\]每个 $f_{\theta_i}$ 是时间 $\tau_i$ 的完整神经辐射场。时间演变通过参数集序列 ${\theta_i}$ 捕获。
优点：
缺点：
| 内存复杂度：$O(N \cdot | \theta | )$ |
离散场之间的插值：
对于中间时间 $\tau \in [\tau_i, \tau_{i+1}]$，我们需要插值策略：
参数插值： \(\theta(\tau) = (1-\alpha)\theta_i + \alpha\theta_{i+1}, \quad \alpha = \frac{\tau - \tau_i}{\tau_{i+1} - \tau_i}\)
由于神经网络参数空间的非凸性，这存在问题。
输出插值： \(f(\mathbf{x}, \mathbf{d}, \tau) = (1-\alpha)f_{\theta_i}(\mathbf{x}, \mathbf{d}) + \alpha f_{\theta_{i+1}}(\mathbf{x}, \mathbf{d})\)
更稳定但可能产生重影伪影。
潜在插值： 学习共享的编码器-解码器架构，其中只有潜在代码随时间变化。
连续时间表示： 一个将时间作为输入的单一网络：
\[f_\theta: \mathbb{R}^3 \times \mathbb{S}^2 \times \mathbb{R} \rightarrow \mathbb{R}^4\]时间维度通常使用位置编码： \(\gamma(\tau) = [\sin(2^0\pi\tau), \cos(2^0\pi\tau), ..., \sin(2^{L-1}\pi\tau), \cos(2^{L-1}\pi\tau)]\)
位置编码的频率分析：
$L$ 的选择决定了可表示的最大时间频率： \(f_{\text{max}} = 2^{L-1} \text{ cycles per unit time}\)
对于持续时间为 $T$ 的序列，这转化为 $2^{L-1}T$ 个可分辨的时间特征。
优点：
| 内存复杂度：$O( | \theta | )$（与序列长度无关） |
缺点：
混合方法：
时间条件超网络： \(f_\theta(\mathbf{x}, \mathbf{d}, \tau) = g_{\phi(\tau)}(\mathbf{x}, \mathbf{d})\)
| 其中 $\phi: \mathbb{R} \rightarrow \mathbb{R}^{ | \theta_g | }$ 为主网络 $g$ 生成参数。 |
专家混合： \(f(\mathbf{x}, \mathbf{d}, \tau) = \sum_{k=1}^K w_k(\tau) f_{\theta_k}(\mathbf{x}, \mathbf{d})\)
其中 $w_k(\tau)$ 是时间相关的门控函数，且 $\sum_k w_k(\tau) = 1$。
分层时间建模： \(f(\mathbf{x}, \mathbf{d}, \tau) = f_{\text{coarse}}(\mathbf{x}, \mathbf{d}, \lfloor\tau\rfloor) + f_{\text{fine}}(\mathbf{x}, \mathbf{d}, \tau)\)
粗略网络处理低频变化，精细网络捕获细节。
内存-计算权衡：
设 $M$ 为内存预算，$C$ 为每次查询的计算量，$Q$ 为重建质量：
| 离散：$M = O(N | \theta | )$，$C = O( | \theta | )$，$Q = $ 在 ${\tau_i}$ 处完美 |
| 连续：$M = O( | \theta | )$，$C = O( | \theta | )$，$Q = $ 受网络容量限制 |
| 混合：$M = O(K | \theta | )$，$C = O(K | \theta | )$，$Q = $ 自适应 |
最佳选择取决于：
为了平衡表达能力和效率，我们可以使用基函数分解时变场：
\[\sigma(\mathbf{x}, \tau) = \sum_{k=1}^K \sigma_k(\mathbf{x}) \cdot \phi_k(\tau)\] \[\mathbf{c}(\mathbf{x}, \mathbf{d}, \tau) = \sum_{k=1}^K \mathbf{c}_k(\mathbf{x}, \mathbf{d}) \cdot \phi_k(\tau)\]这种可分离表示将问题简化为学习 $K$ 个空间场和时间基函数。
数学基础：
该分解可以看作是张量分解。设 $\mathcal{T} \in \mathbb{R}^{X \times Y \times Z \times T}$ 为 4D 辐射张量。我们近似：
\[\mathcal{T} \approx \sum_{k=1}^K \mathbf{S}_k \otimes \boldsymbol{\phi}_k\]其中 $\mathbf{S}_k \in \mathbb{R}^{X \times Y \times Z}$ 是空间分量，$\boldsymbol{\phi}_k \in \mathbb{R}^T$ 是时间分量。
常见基函数选择：
傅里叶基（用于周期性运动）： \(\phi_k(\tau) = \begin{cases} \sin(2\pi k\tau/T) & k \text{ 为奇数} \\ \cos(2\pi k\tau/T) & k \text{ 为偶数} \end{cases}\)
属性：
| 帕塞瓦尔定理：$|\mathbf{f}|^2 = \sum_k | c_k | ^2$ |
截断误差分析： 对于有界变差 $V(f) < \infty$ 的函数，截断误差： \(\|f - f_K\| \leq \frac{V(f)}{\pi K}\)
B样条基（用于局部控制）： \(\phi_k(\tau) = B_n\left(\frac{\tau - \tau_k}{\Delta\tau}\right)\)
其中 $B_n$ 是 $n$ 阶 B样条核，递归定义为： \(B_0(t) = \begin{cases} 1 & |t| < 0.5 \\ 0 & \text{否则} \end{cases}\) \(B_n(t) = \int_{-0.5}^{0.5} B_{n-1}(t-s) ds\)
属性：
| 紧支集：$\phi_k(\tau) = 0$ 对于 $ | \tau - \tau_k | > n\Delta\tau/2$ |
小波基（多分辨率）： \(\phi_{j,k}(\tau) = 2^{j/2}\psi(2^j\tau - k)\)
其中 $\psi$ 是母小波（例如，Daubechies，Meyer）。
属性：
学习基（数据驱动）： \(\phi_k(\tau) = \text{softmax}(\text{MLP}_k(\gamma(\tau)))_k\)
属性：
最佳基选择：
选择取决于预期的运动特性：
基截断分析：
截断参数 $K$ 控制时间带宽。根据采样定理： \(K \geq 2 \cdot f_{\text{max}} \cdot T\)
其中 $f_{\text{max}}$ 是最大运动频率，$T$ 是序列持续时间。
压缩比： \(\text{CR} = \frac{\text{原始大小}}{\text{压缩大小}} = \frac{XYZ \cdot T}{K(XYZ + T)}\)
对于 $T \gg K$，我们实现了大约 $T/K$ 的压缩。
自适应基选择：
我们可以根据重建误差自适应地选择 $K$： \(K^* = \arg\min_K \left\{\|f - f_K\|^2 + \lambda K\right\}\)
其中 $\lambda$ 控制稀疏性-准确性权衡。
理解动态场景的频率内容对于避免混叠和确保足够的时间分辨率至关重要。
奈奎斯特-香农采样定理： 无混叠重建的基本要求：
\[f_{\text{sample}} \geq 2 f_{\text{max}}\]其中 $f_{\text{max}}$ 是场景变化的最大频率。
时间频率谱：
对于时变辐射场 $f(\mathbf{x}, \tau)$，在每个空间位置的时间傅里叶变换：
\[\hat{f}(\mathbf{x}, \omega) = \int_{-\infty}^{\infty} f(\mathbf{x}, \tau) e^{-i\omega\tau} d\tau\]功率谱密度： \(S(\mathbf{x}, \omega) = |\hat{f}(\mathbf{x}, \omega)|^2\)
揭示了每个点的运动频率内容。
运动特定分析：
周期性运动（例如，旋转物体）： 对于角频率为 $\omega$ 的运动： \(\mathbf{x}(\tau) = \mathbf{R}(\omega\tau)\mathbf{x}_0\)
辐射场变为： \(f(\mathbf{x}, \tau) = f_0(\mathbf{R}^T(\omega\tau)\mathbf{x})\)
频率内容：在 $\omega/2\pi$ Hz 处有单个尖峰
每周期最小采样数： \(N_{\text{min}} = \frac{4\pi}{\omega \Delta\tau} \geq 4\)
线性运动（恒定速度 $\mathbf{v}$）： \(\mathbf{x}(\tau) = \mathbf{x}_0 + \mathbf{v}\tau\)
时空梯度： \(\frac{\partial f}{\partial \tau} = -\mathbf{v} \cdot \nabla f\)
频率内容取决于空间频率： \(\omega_{\text{max}} = \|\mathbf{v}\| \cdot k_{\text{max}}\)
其中 $k_{\text{max}} = 2\pi/\lambda_{\text{min}}$ 是最大空间频率。
加速运动： \(\mathbf{x}(\tau) = \mathbf{x}_0 + \mathbf{v}_0\tau + \frac{1}{2}\mathbf{a}\tau^2\)
瞬时频率（通过驻相近似）： \(\omega(\tau) = (\mathbf{v}_0 + \mathbf{a}\tau) \cdot \mathbf{k}\)
类似啁啾的行为需要时频分析。
可变形运动： 对于一般变形 $\mathbf{W}(\mathbf{x}, \tau)$： \(\omega_{\text{local}}(\mathbf{x}) = \left\|\frac{\partial \mathbf{W}}{\partial \tau}\right\| \cdot \|\nabla f\|\)
混叠分析：
当 $f_{\text{motion}} > f_{\text{Nyquist}} = f_{\text{sample}}/2$ 时发生混叠。
混叠频率映射： \(f_{\text{alias}} = |f_{\text{true}} - n \cdot f_{\text{sample}}|\)
其中 $n = \text{round}(f_{\text{true}}/f_{\text{sample}})$。
预混叠滤波器设计：
为防止混叠，在采样前应用低通滤波器： \(H(\omega) = \begin{cases} 1 & |\omega| < \omega_c \\ \cos^2\left(\frac{\pi(|\omega| - \omega_c)}{2(\omega_s - \omega_c)}\right) & \omega_c \leq |\omega| \leq \omega_s \\ 0 & |\omega| > \omega_s \end{cases}\)
其中 $\omega_c = 0.8 \cdot \pi f_{\text{sample}}$ 且 $\omega_s = \pi f_{\text{sample}}$。
实用采样策略：
给定捕获率 $f_{\text{capture}}$，可表示的运动带宽为：
\[f_{\text{motion}} < \frac{f_{\text{capture}}}{2}\]对于具有位置编码级别 $L$ 的神经表示： \(f_{\text{neural}} \leq 2^{L-1}\)
有效时间分辨率为： \(f_{\text{effective}} = \min(f_{\text{motion}}, f_{\text{neural}})\)
抗混叠策略：
时间超采样： \(f'(\tau) = \frac{1}{K}\sum_{k=0}^{K-1} f\left(\tau + \frac{k}{K}\Delta\tau\right)\)
运动自适应采样： \(\Delta\tau_{\text{local}} = \frac{C}{\|\partial \mathbf{W}/\partial \tau\|_{\text{max}}}\)
其中 $C$ 是用户定义的常数。
频域滤波： 在重建前在傅里叶域应用带限。
时间分辨率要求： 好的，这是您要求的中文翻译，并已将数学公式转换为 LaTeX 格式：
| 运动类型 | 典型频率 | 所需帧率 |
|---|---|---|
| 人类行走 | 1-2 Hz | 4-8 |
| 跑步 | 3-4 Hz | 8-16 |
| 手势 | 5-10 Hz | 20-40 |
| 快速运动 | 10-20 Hz | 40-80 |
| 振动 | 20-100 Hz | 80-400 |
我们不直接学习时变辐射场，而是将问题分解为学习一个静态的规范表示和一个时变变形场。这种方法利用了许多动态场景表现出可以通过形变捕获的强时空相关性的洞察。
核心思想是建模一个变形场，它将点从规范（参考）空间映射到每个时刻的观测空间：
\[\mathbf{x}_{\text{obs}} = \mathbf{W}(\mathbf{x}_{\text{can}}, \tau)\]其中：
带变形的体渲染：
关键挑战是正确地转换体渲染积分。从以下公式开始：
\[C(\mathbf{r}, \tau) = \int_{t_n}^{t_f} T(t, \tau)\sigma(\mathbf{r}(t), \tau)\mathbf{c}(\mathbf{r}(t), \mathbf{d}, \tau) dt\]我们代入形变后的坐标，并且必须考虑变量的变化：
\[C(\mathbf{r}, \tau) = \int_{t_n}^{t_f} T(t)\sigma_{\text{can}}(\mathbf{W}^{-1}(\mathbf{r}(t), \tau))\mathbf{c}_{\text{can}}(\mathbf{W}^{-1}(\mathbf{r}(t), \tau), \mathbf{d}_{\text{can}}) \left|\det J_{\mathbf{W}^{-1}}\right| dt\]其中：
密度变换： 密度根据以下公式变换： \(\sigma_{\text{obs}}(\mathbf{x}, \tau) = \sigma_{\text{can}}(\mathbf{W}^{-1}(\mathbf{x}, \tau)) \left|\det J_{\mathbf{W}^{-1}}(\mathbf{x}, \tau)\right|\)
这确保了质量守恒：在任何区域上积分密度都会在规范空间和观测空间中给出相同的总质量。
许多物理变形在局部保持体积（不可压缩性），这为正则化提供了强大的约束。
不可压缩条件： 对于体积保持变形：
\[\det(J_{\mathbf{W}}) = 1\]其中 $J_{\mathbf{W}} = \frac{\partial \mathbf{W}}{\partial \mathbf{x}_{\text{can}}}$ 是变形梯度。
速度场公式： 将速度场定义为变形的时间导数：
\[\mathbf{v}(\mathbf{x}, \tau) = \frac{\partial \mathbf{W}(\mathbf{x}, \tau)}{\partial \tau}\]欧拉形式的不可压缩约束：
\[\nabla \cdot \mathbf{v} = 0\]实际实施：
软约束（惩罚方法）： \(\mathcal{L}_{\text{volume}} = \lambda \int_{\Omega} (\det(J_{\mathbf{W}}) - 1)^2 d\mathbf{x}\)
投影方法： 将速度分解为不可压缩分量和势分量： \(\mathbf{v} = \mathbf{v}_{\text{incomp}} + \nabla \phi\)
然后求解泊松方程： \(\nabla^2 \phi = \nabla \cdot \mathbf{v}_{\text{initial}}\)
并投影：$\mathbf{v}{\text{incomp}} = \mathbf{v}{\text{initial}} - \nabla \phi$
流函数（2D）或矢量势（3D）： 对于 2D：$\mathbf{v} = \nabla^\perp \psi = (\frac{\partial \psi}{\partial y}, -\frac{\partial \psi}{\partial x})$
自动满足 $\nabla \cdot \mathbf{v} = 0$
近似体积保持： 对于小变形，将约束线性化： \(\det(J_{\mathbf{W}}) \approx 1 + \text{tr}(J_{\mathbf{W}} - I) = 1 + \nabla \cdot (\mathbf{W} - \mathbf{x})\)
导致更简单的约束： \(\nabla \cdot \mathbf{u} = 0\)
其中 $\mathbf{u} = \mathbf{W} - \mathbf{x}$ 是位移场。
变形场具有许多自由度，需要仔细正则化以确保物理上合理和稳定的解决方案。
1. 空间平滑度正则化： 惩罚高频空间变化：
\[\mathcal{L}_{\text{smooth}} = \int_{\Omega} \int_{\mathcal{T}} \|\nabla^2 \mathbf{W}(\mathbf{x}, \tau)\|_F^2 d\mathbf{x} d\tau\]替代的一阶平滑度： \(\mathcal{L}_{\text{grad}} = \int_{\Omega} \int_{\mathcal{T}} \|\nabla \mathbf{W} - I\|_F^2 d\mathbf{x} d\tau\)
2. 刚性正则化： 鼓励局部刚性变换（旋转 + 平移）：
\[\mathcal{L}_{\text{rigid}} = \int_{\Omega} \|J_{\mathbf{W}}^T J_{\mathbf{W}} - I\|_F^2 d\mathbf{x}\]当 $J_{\mathbf{W}}$ 是旋转矩阵时，此项为零。为了计算效率，使用极分解： \(J_{\mathbf{W}} = \mathbf{R}\mathbf{S}\)
其中 $\mathbf{R}$ 是旋转，$\mathbf{S}$ 是对称矩阵。然后惩罚： \(\mathcal{L}_{\text{rigid}} = \|\mathbf{S} - I\|_F^2\)
3. 时间相干性： 确保随时间平滑运动：
\[\mathcal{L}_{\text{temporal}} = \int_{\Omega} \int_{\mathcal{T}} \left\|\frac{\partial^2 \mathbf{W}}{\partial \tau^2}\right\|^2 d\mathbf{x} d\tau\]对于离散时间步长： \(\mathcal{L}_{\text{temporal}} = \sum_{i} \|\mathbf{W}(\mathbf{x}, \tau_{i+1}) - 2\mathbf{W}(\mathbf{x}, \tau_i) + \mathbf{W}(\mathbf{x}, \tau_{i-1})\|^2\)
4. 弹性势能： 基于连续介质力学，惩罚变形能量：
\[\mathcal{L}_{\text{elastic}} = \int_{\Omega} \frac{\lambda}{2}(\text{tr}(\mathbf{E}))^2 + \mu \text{tr}(\mathbf{E}^2) d\mathbf{x}\]其中 $\mathbf{E} = \frac{1}{2}(J_{\mathbf{W}}^T J_{\mathbf{W}} - I)$ 是格林应变张量，$\lambda, \mu$ 是拉梅参数。
5. 尽可能刚性（ARAP）： \(\mathcal{L}_{\text{ARAP}} = \sum_{i} \sum_{j \in \mathcal{N}(i)} w_{ij} \|(\mathbf{W}(\mathbf{x}_i) - \mathbf{W}(\mathbf{x}_j)) - \mathbf{R}_i(\mathbf{x}_i - \mathbf{x}_j)\|^2\)
其中 $\mathbf{R}_i$ 是点 $i$ 处的最佳旋转。
组合正则化： \(\mathcal{L}_{\text{reg}} = \lambda_1 \mathcal{L}_{\text{smooth}} + \lambda_2 \mathcal{L}_{\text{rigid}} + \lambda_3 \mathcal{L}_{\text{temporal}} + \lambda_4 \mathcal{L}_{\text{volume}}\)
权重 $\lambda_i$ 控制相对重要性，并取决于场景类型：
确保变形场是可逆的（双射）对于稳定的优化和物理上有意义的结果至关重要。
1. 残差公式： 将变形参数化为恒等式加上小位移：
\[\mathbf{W}(\mathbf{x}, \tau) = \mathbf{x} + \epsilon \cdot \mathbf{u}(\mathbf{x}, \tau)\]可逆性条件： 根据巴拿赫不动点定理，如果： \(\|\nabla \mathbf{u}\|_{\text{op}} < \frac{1}{\epsilon}\)
那么 $\mathbf{W}$ 是一个微分同胚（光滑双射）。
证明草图： 逆满足：$\mathbf{y} = \mathbf{W}^{-1}(\mathbf{y}) + \epsilon \mathbf{u}(\mathbf{W}^{-1}(\mathbf{y}))$
定义算子 $T(\mathbf{x}) = \mathbf{y} - \epsilon \mathbf{u}(\mathbf{x})$。如果 $\epsilon|\nabla \mathbf{u}|_{\text{op}} < 1$，则 $T$ 是一个收缩映射，保证存在唯一不动点。
2. 神经 ODE 公式： 通过连续流建模变形：
\[\frac{d\mathbf{x}}{d\tau} = \mathbf{v}(\mathbf{x}, \tau), \quad \mathbf{x}(0) = \mathbf{x}_0\]优点：
实现： \(\mathbf{W}(\mathbf{x}_0, \tau) = \mathbf{x}_0 + \int_0^\tau \mathbf{v}(\mathbf{x}(s), s) ds\)
使用数值 ODE 求解器（例如，龙格-库塔法）和自适应步长。
3. 微分同胚配准： 通过正则化速度场确保光滑双射：
\[\mathcal{L}_{\text{diffeo}} = \int_0^T \int_{\Omega} \|\mathbf{L}\mathbf{v}(\mathbf{x}, t)\|^2 d\mathbf{x} dt\]其中 $\mathbf{L}$ 是微分算子（例如，$\mathbf{L} = \alpha\nabla^2 + \beta I$）。
4. 障碍方法： 添加一个惩罚项，当雅可比行列式趋近于零时，该惩罚项趋近于无穷大：
\[\mathcal{L}_{\text{barrier}} = \int_{\Omega} \phi(\det(J_{\mathbf{W}})) d\mathbf{x}\]其中 $\phi(s) = -\log(s)$ 对于 $s > 0$ 或 $\phi(s) = \frac{1}{s} - 1$ 对于 $s > 0$。
实用指南：
场景流 $\mathbf{s}: \mathbb{R}^3 \times \mathbb{R} \rightarrow \mathbb{R}^3$ 描述 3D 运动场：
\[\mathbf{s}(\mathbf{x}, \tau) = \frac{\partial \mathbf{W}(\mathbf{x}, \tau)}{\partial \tau}\]图像空间中的 2D 光流可以通过渲染方程从场景流中导出：
\[\mathbf{u}_{\text{2D}}(\mathbf{p}) = \frac{\int_{t_n}^{t_f} T(t)\sigma(\mathbf{r}(t)) w(\mathbf{r}(t)) \Pi(\mathbf{s}(\mathbf{r}(t))) dt}{\int_{t_n}^{t_f} T(t)\sigma(\mathbf{r}(t)) w(\mathbf{r}(t)) dt}\]其中：
亮度恒定： \(\frac{\partial I}{\partial \tau} + \nabla I \cdot \mathbf{u}_{\text{2D}} = 0\)
体渲染一致性： \(\frac{\partial C(\mathbf{r}, \tau)}{\partial \tau} + \int_{t_n}^{t_f} T(t)\sigma(\mathbf{r}(t), \tau) \nabla_{\mathbf{x}} \mathbf{c} \cdot \mathbf{s} dt = 0\)
对于具有中心 ${\mathbf{o}_i}$ 和方向 ${\mathbf{d}_i}$ 的多个相机：
流的对极约束： \((\mathbf{u}_{\text{2D}}^{(i)} - \mathbf{u}_{\text{2D}}^{(j)})^T \mathbf{F}_{ij} \mathbf{p} = 0\)
其中 $\mathbf{F}_{ij}$ 是视图 $i$ 和 $j$ 之间的基本矩阵。
深度-流一致性： \(z_i \mathbf{u}_{\text{2D}}^{(i)} = \mathbf{K}_i \mathbf{R}_i \mathbf{s} + \frac{\partial z_i}{\partial \tau} \mathbf{K}_i \mathbf{R}_i \mathbf{d}_i\)
通用形变函数： \(\Psi: \mathbb{R}^3 \times \mathbb{R} \rightarrow \mathbb{R}^3 \times \mathbb{R}\) \((\mathbf{x}', \tau') = \Psi(\mathbf{x}, \tau)\)
可分离形变： \(\Psi(\mathbf{x}, \tau) = (\mathbf{W}(\mathbf{x}, \tau), \tau)\)
不可分离形变： \(\Psi(\mathbf{x}, \tau) = (\mathbf{W}(\mathbf{x}, \tau), T(\tau))\)
其中：
全局运动的李群表示： \(\mathbf{W}_{\text{global}}(\tau) = \exp(\sum_{i=1}^{6} \theta_i(\tau) \mathbf{G}_i)\)
其中 ${\mathbf{G}_i}$ 是 SE(3) 的生成元。
线性插值： \(\mathbf{W}(\mathbf{x}, \tau) = (1-\alpha)\mathbf{W}(\mathbf{x}, \tau_i) + \alpha\mathbf{W}(\mathbf{x}, \tau_{i+1})\)
球面线性插值（用于旋转）： \(\mathbf{R}(\tau) = \mathbf{R}_i (\mathbf{R}_i^T \mathbf{R}_{i+1})^{\alpha}\)
三次 Hermite 样条： \(\mathbf{W}(\mathbf{x}, \tau) = \sum_{j=0}^{3} h_j(\alpha) \mathbf{c}_j(\mathbf{x})\)
其中 $h_j$ 是 Hermite 基函数。
不动点迭代： \(\mathbf{x}_{n+1} = \mathbf{x}_0 - \mathbf{W}(\mathbf{x}_n, \tau) + \mathbf{x}_{\text{target}}\)
收敛保证当： \(\|\nabla_{\mathbf{x}} \mathbf{W}\|_{\text{op}} < 1\)
神经逆网络： \(\mathbf{W}^{-1} = f_{\phi}(\mathbf{x}, \tau)\)
具有循环一致性损失： \(\mathcal{L}_{\text{cycle}} = \|\mathbf{W}(\mathbf{W}^{-1}(\mathbf{x}, \tau), \tau) - \mathbf{x}\|^2\)
规范空间表示场景的参考配置：
\[\mathcal{C} = \{(\sigma_{\text{can}}(\mathbf{x}), \mathbf{c}_{\text{can}}(\mathbf{x}, \mathbf{d})) : \mathbf{x} \in \Omega_{\text{can}}\}\]常见选择：
| 平均形状：$\mathbf{x}_{\text{can}} = \frac{1}{ | \mathcal{T} | }\int_{\mathcal{T}} \mathbf{W}^{-1}(\mathbf{x}, \tau) d\tau$ |
规范空间中的渲染方程：
\[C(\mathbf{r}, \tau) = \int_{t_n}^{t_f} T_{\text{can}}(t')\sigma_{\text{can}}(\mathbf{r}_{\text{can}}(t'))\mathbf{c}_{\text{can}}(\mathbf{r}_{\text{can}}(t'), \mathbf{d}_{\text{can}}) \left|\frac{dt'}{dt}\right| dt\]其中：
联合优化： \(\min_{\theta, \phi} \sum_{i,j} \|C_{ij} - \hat{C}_{ij}(\theta, \phi)\|^2 + \lambda \mathcal{R}(\phi)\)
其中：
渐进训练：
对于拓扑变化的场景（例如，流体），我们扩展规范空间：
\[\sigma_{\text{can}}(\mathbf{x}) = \sigma_{\text{base}}(\mathbf{x}) + \sum_{k} \alpha_k(\tau) \sigma_{\text{residual}}^{(k)}(\mathbf{x})\]其中 $\alpha_k(\tau) \in [0,1]$ 控制组件的出现/消失。
空间平滑度： \(\mathcal{L}_{\text{can-smooth}} = \int_{\Omega_{\text{can}}} \|\nabla \sigma_{\text{can}}\|^2 + \|\nabla \mathbf{c}_{\text{can}}\|^2 d\mathbf{x}\)
稀疏性先验： \(\mathcal{L}_{\text{sparse}} = \int_{\Omega_{\text{can}}} \log(1 + \sigma_{\text{can}}^2/\epsilon^2) d\mathbf{x}\)
变形正则化： \(\mathcal{L}_{\text{def-reg}} = \int_{\mathcal{T}} \int_{\Omega} \|\mathbf{W}(\mathbf{x}, \tau) - \mathbf{x}\|^2 \rho(\mathbf{x}) d\mathbf{x} d\tau\)
其中 $\rho(\mathbf{x})$ 权重区域（例如，刚性部分更高）。
动态神经辐射场通过将时间作为附加维度来扩展静态公式。关键的数学框架包括：
时间扩展体渲染方程： \(C(\mathbf{r}, \tau) = \int_{t_n}^{t_f} T(t, \tau)\sigma(\mathbf{r}(t), \tau)\mathbf{c}(\mathbf{r}(t), \mathbf{d}, \tau) dt\)
变形场公式： \(\mathbf{x}_{\text{obs}} = \mathbf{W}(\mathbf{x}_{\text{can}}, \tau)\)
具有体积保持：$\det(J_{\mathbf{W}}) = 1$
场景流一致性： \(\mathbf{s}(\mathbf{x}, \tau) = \frac{\partial \mathbf{W}(\mathbf{x}, \tau)}{\partial \tau}\)
规范空间渲染： \(C(\mathbf{r}, \tau) = \int T_{\text{can}}\sigma_{\text{can}}(\mathbf{W}^{-1}(\mathbf{r}(t), \tau))\mathbf{c}_{\text{can}} \left|\det J_{\mathbf{W}^{-1}}\right| dt\)
正则化框架：
这些公式提供了一种建模动态场景的原则性方法，同时保持了体渲染框架的优雅。
习题 7.1: 时间采样分析 考虑一个以频率 $f = 2$ Hz 旋转的物体。如果我们以 30 FPS 采样，是否满足 Nyquist 条件？如果物体同时包含 5 Hz 的振动，需要什么采样率？
提示: Nyquist 频率 $f_s \geq 2f_{\max}$
习题 7.2: 体积保持约束 给定 2D 变形场 $\mathbf{W}(x,y) = (x + 0.1\sin(y), y + 0.1\cos(x))$，验证这是否满足体积保持约束。 提示: 计算 Jacobian 行列式
习题 7.3: 光流计算 给定场景流 $\mathbf{s}(x,y,z) = (0, 0, -v)$ (沿 z 轴的匀速运动) 和相机内参矩阵 $\mathbf{K} = \text{diag}(f, f, 1)$，推导 2D 光流。
提示: 使用投影关系 $u = fx/z$, $v = fy/z$
习题 7.4: 变形场设计 设计一个变形场 $\mathbf{W}(\mathbf{x}, \tau)$ 来表示心跳运动，满足：
提示: 考虑球坐标系和时变缩放
习题 7.5: 正则化分析 证明对于小变形 $\mathbf{W}(\mathbf{x}) = \mathbf{x} + \epsilon \mathbf{u}(\mathbf{x})$，如果 $|\nabla \mathbf{u}|_{op} < 1/\epsilon$，则变形是可逆的。
提示: 使用 Banach 不动点定理
习题 7.6: 多视图一致性 推导两个视图之间的场景流一致性约束。给定两个相机的投影矩阵 $\mathbf{P}_1, \mathbf{P}_2$，以及 3D 场景流 $\mathbf{s}$。
提示: 利用极线几何和流的投影关系
习题 7.7: 时间插值优化 给定离散时间点 ${t_i}$ 的变形场样本 ${\mathbf{W}_i}$，设计一个保持 $C^2$ 连续性的插值方案，并分析计算复杂度。
提示: 考虑三次样条插值
习题 7.8: 拓扑变化建模 设计一个数学框架来处理场景中物体的出现和消失（例如：倒水时水的体积变化）。要求保持时间连续性。
提示: 考虑使用软掩码和连续变化的密度场
问题: 快速运动导致时间欠采样，产生伪影
症状：闪烁、运动模糊、鬼影
原因：违反 Nyquist 采样定理
解决方案:
问题: 变形场产生自相交或折叠
症状：渲染伪影、优化不收敛
检测：det(J) < 0 或 det(J) >> 1
解决方案:
问题: 多个规范空间-变形对产生相同观察
例子：膨胀的小球 vs 静止的大球
影响：优化陷入局部最优
解决方案:
问题: 4D 表示导致内存和计算需求剧增
静态 NeRF: O(XYZ)
动态 NeRF: O(XYZT)
解决方案:
问题: 离散时间采样之间的插值不自然
线性插值：运动不流畅
高阶插值：可能过拟合
解决方案:
问题: 2D 光流与 3D 场景流投影不匹配
原因：遮挡、透明度变化
表现：优化震荡
解决方案: