神经辐射场技术通过多层感知机（MLP）隐式表示三维场景，能够合成出极其逼真的新视角图像。然而，传统NeRF在渲染时需要对每条光线进行密集的采样点查询，每次查询都要经过一个深而宽的MLP网络，导致渲染过程极其耗时。为了解决这一性能痛点，KiloNeRF提出了一种基于模型分解的加速方案，通过部署数千个微型MLP来替代单一庞大网络，实现了渲染速度的质的飞跃。
神经辐射场的性能瓶颈与KiloNeRF的破局思路
传统NeRF模型通常采用一个包含8层全连接层的MLP，每层宽度约为256。在渲染高分辨率图像时，比如1080p，需要发射超过两百万条光线。每条光线在场景中采样上百个点，这意味着每次渲染都需要进行数亿次MLP前向传播计算。这种密集的计算不仅让GPU显存压力剧增，也使得渲染单帧图像的时间长达几十秒，完全无法应用于实时交互场景。
KiloNeRF的核心破局思路在于分而治之。研究人员发现，场景中的空间点是高度局部化的，一个空间点的颜色和密度只依赖于其局部的几何和纹理信息，而不需要全局网络来记忆整个场景。因此，KiloNeRF将三维包围盒划分为数千个体素网格，每个网格对应一个极其轻量级的微型MLP。这些微型MLP的层数更浅、宽度更窄，从而大幅减少了单个采样点的计算开销。
这种模型分解策略带来的直接好处是计算复杂度的降低。原本一个复杂的函数被分解为数千个简单的局部函数。在渲染时，系统只需根据采样点的三维坐标定位到对应的体素网格，然后调用该网格专属的微型MLP进行推理。由于微型网络的参数量极小，单次查询速度得到了显著提升，为后续的大规模并行计算奠定了基础。
千个MLP的空间分解与并行渲染机制
KiloNeRF的空间分解机制是将场景的包围盒均匀划分为网格结构。假设场景被划分为16x16x16的网格，那么就会产生4096个小型MLP。每个微型MLP只负责预测其对应体素内部空间点的密度和颜色。为了在GPU上高效执行，KiloNeRF将这些微型MLP的参数进行统一编排，使得在执行批量光线追踪时，能够最大化利用GPU的并行流处理器资源。
在并行渲染阶段，KiloNeRF采用了基于空区域跳过的优化策略。由于三维场景中存在大量的空白区域，如果对这些区域进行MLP查询将浪费计算资源。KiloNeRF通过预计算构建了一个占用网格，标记了哪些体素包含实际几何表面。在光线步进时，算法会直接跳过标记为空的体素，只对非空体素内的采样点调用微型MLP，这进一步压缩了计算量。
下面是一个简化的伪代码示例，展示了如何根据空间坐标选择对应的微型MLP并执行查询逻辑：
import torch
def kilonerrf_query(point_coords, grid_size, mlp_bank, occupancy_grid):
# 将点坐标映射到网格索引
grid_idx = (point_coords * grid_size).long()
# 检查当前点是否在占用网格中
if not occupancy_grid[grid_idx[0], grid_idx[1], grid_idx[2]]:
return torch.zeros(4) # 返回空值，表示无密度和颜色
# 根据网格索引获取对应的微型MLP
mlp_index = grid_idx[0] * grid_size[1] * grid_size[2] + grid_idx[1] * grid_size[2] + grid_idx[2]
selected_mlp = mlp_bank[mlp_index]
# 执行前向传播
output = selected_mlp(point_coords)
return output
上述代码直观地反映了KiloNeRF的查询逻辑。通过占用网格的快速剔除，大部分光线步进点在调用MLP前就被过滤掉了。对于需要计算的点，系统通过简单的索引计算定位到对应的微型MLP。由于所有微型MLP结构相同，这种索引和查询过程非常适合在GPU上进行向量化执行，从而实现了极高的并行度。
模型蒸馏与稀疏参数优化的工程实践
直接从零开始训练数千个独立的微型MLP是非常困难的，因为每个微型网络只能看到极其有限的数据，容易导致过拟合且难以收敛。为了解决这个问题，KiloNeRF采用了模型蒸馏技术。首先训练一个传统的、表现优秀的教师NeRF模型，然后利用这个教师模型来指导微型MLP的训练。教师模型为每个空间点提供伪标签，使得微型MLP能够学习到局部的颜色和密度分布。
在工程实践中，管理数千个MLP的参数也是一个巨大的挑战。如果直接存储所有微型MLP的参数，显存消耗将非常惊人。KiloNeRF通过稀疏参数优化来缓解这一问题。系统只分配参数给那些包含几何信息的体素网格，对于完全空旷的区域，不分配任何MLP参数。这种稀疏存储策略使得即使场景被划分为极高分辨率的网格，整体参数量依然保持在一个可控的范围内。
尽管KiloNeRF大幅提升了渲染速度，但它也带来了一些工程上的妥协。首先，模型蒸馏过程需要额外的时间和计算资源，训练流程变得更加复杂。其次，由于微型MLP的容量有限，对于极其复杂的几何细节或高频纹理，KiloNeRF的渲染质量可能略逊于大型的完整NeRF模型。然而，在实时渲染和虚拟现实等对帧率要求极高的场景中，这种质量与速度的权衡是非常值得的。通过合理的网格划分和蒸馏策略调优，KiloNeRF成功地将神经辐射场推向了实际应用阶段。