在动态场景重建任务中，物体之间发生合并、撕裂或者表面穿孔等复杂拓扑变化，会让依赖固定拓扑假设的辐射场方法产生明显瑕疵。HyperNeRF 提出将场景表达为一个被高阶变形场驱动的隐空间流形，使得同一套网络权重可以覆盖拓扑结构差异巨大的多个时刻。这种方法不再强制所有帧共享一个连续表面，而是借助潜在扭曲函数把输入坐标映射到规范空间，再由辐射场解码颜色和密度。
高阶变形场的数学构造
HyperNeRF 的核心在于定义一个从观察空间到规范空间的映射，该映射不是简单的刚性变换，而是由多层感知机参数化的高阶变形。假设时刻 t 对应潜变量 w_t，网络学习函数 F(x, w_t) 将观察点 x 扭曲为规范坐标 x_c。与传统 NeRF 不同，这里的 w_t 处在比姿态更高阶的拓扑潜空间，能够描述物体数量的增减。当 w_t 跨越某个临界区域时，F 的雅可比矩阵出现奇异，对应表面分裂或融合。
具体实现中，变形场通常拆成全局仿射项与残差非线性项。全局项保证大体运动稳定，残差项负责局部拓扑改变。训练时如果直接优化 w_t 容易陷入局部极小，因此引入分段平滑先验，约束相邻帧的 w_t 变化缓慢，但在标注了拓扑事件的区间允许跳变。下面的代码展示了变形场的前向逻辑。
import torch
import torch.nn as nn
class HighOrderWarp(nn.Module):
def __init__(self, dim_latent=16, hidden=128):
super().__init__()
self.embed = nn.Linear(1, dim_latent)
self.mlp = nn.Sequential(
nn.Linear(3 + dim_latent, hidden),
nn.ReLU(),
nn.Linear(hidden, hidden),
nn.ReLU(),
nn.Linear(hidden, 3)
)
def forward(self, x, t):
# x: 观察空间坐标 [B,3]
# t: 归一化时间 [B,1]
w = self.embed(t) # 高阶潜变量
inp = torch.cat([x, w], dim=-1)
delta = self.mlp(inp) # 非线性残差扭曲
return x + delta
warp = HighOrderWarp()
x_obs = torch.randn(5, 3)
t_vec = torch.rand(5, 1)
x_canon = warp(x_obs, t_vec)
复杂拓扑变化的解耦策略
仅仅有高阶变形场还不够，因为辐射场若把密度看作规范坐标的单一连续函数，依然无法表达一个物体变成两个物体的情形。HyperNeRF 采用拓扑解耦，将规范空间进一步分为共享分支与独立分支。共享分支编码公共背景，独立分支通过门控网络决定哪些区域在当前 w_t 下被激活。这样在 w_t 漂移时，门控系数可以关闭原有连通区域，开启新生成的部分。
解耦带来的好处是训练目标更平滑。若不加门控，网络会试图用同一密度峰覆盖两个分离物体，导致中间出现虚假桥接。实践中可用一个轻量二进制掩码监督，在已知拓扑变化的帧上强制门控输出离散跳变。下表对比了有无解耦时的重建指标差异。
| 方案 | 拓扑突变帧 PSNR | 伪影面积比 |
|---|---|---|
| 低阶变形无解耦 | 18.2 dB | 23% |
| 高阶变形无解耦 | 21.7 dB | 11% |
| 高阶变形加门控解耦 | 26.4 dB | 3% |
可以看到，门控解耦虽增加少量参数，却显著抑制了桥接瑕疵。需要注意的是，门控阈值若设得过高，会让物体分离滞后；过低则引起闪烁，一般通过验证集调参确定。
训练重参数化与实操要点
在优化潜变量 w_t 时，如果将其当作独立可训练参数，帧数增多后显存与过拟合风险都会上升。HyperNeRF 常用重参数化，把 w_t 表示为低频基函数的系数，例如傅里叶级数或样条控制点。网络只需优化少量系数即可插值出任意时刻潜变量，这既压缩了参数，也隐式施加了时间平滑。
另一个实操要点是损失函数设计。除颜色与密度的重构损失外，应加入变形场雅可比正则，惩罚不必要的剧烈扭曲，避免在拓扑平静区产生冗余形变。下面片段演示了如何计算简化版雅可比惩罚。
def jacobian_penalty(warp, x, t):
x = x.clone().requires_grad_(True)
x_c = warp(x, t)
grad = torch.autograd.grad(
outputs=x_c.sum(), inputs=x,
create_graph=True)[0]
# 计算梯度模长均值作为惩罚
return (grad.norm(dim=-1) - 1.0).pow(2).mean()
loss_reg = jacobian_penalty(warp, x_obs, t_vec)
将上述正则与重构损失加权相加，能在保证拓扑灵活度的同时维持几何稳定。部署时建议先用合成数据验证变形场能否正确表达预设的分裂事件，再迁移到真实捕获序列，可大幅降低调试成本。