Технология NeRF Neural Radiance Fields появилась в 2020 году благодаря работе исследователей из Калифорнийского университета в Беркли и быстро стала одним из самых обсуждаемых направлений в области компьютерного зрения и нейронной графики. В основе метода лежит идея представления трёхмерной сцены не через привычные полигоны или воксели, а через непрерывную функцию, которую аппроксимирует небольшая нейронная сеть. На вход подаются координаты точки пространства и направление взгляда, а на выходе получаются цвет и плотность среды в этой точке. Такой подход позволяет синтезировать новые ракурсы сцены, имея на руках лишь набор обычных фотографий. Принцип работы NeRF опирается на классический алгоритм объёмного рендеринга. Луч, проходящий через виртуальную камеру, разбивается на множество точек, для каждой из которых сеть предсказывает оптические свойства, после чего значения интегрируются вдоль луча и формируют итоговый пиксель изображения. Обучение происходит на десятках или сотнях снимков одной сцены с известными положениями камеры, и в результате модель улавливает тончайшие детали — отражения, полупрозрачность стекла, мягкие тени и сложные текстуры, которые традиционные методы реконструкции воспроизводят с трудом. С момента публикации оригинальной статьи появилось огромное количество модификаций. Mip-NeRF справился с проблемой алиасинга на разных масштабах, Instant-NGP от NVIDIA сократил время обучения с суток до считанных секунд за счёт многоуровневых хеш-таблиц, а Block-NeRF и Mega-NeRF научились работать с городскими пространствами и обширными ландшафтами. Отдельная ветвь развития связана с динамическими сценами: D-NeRF и HyperNeRF позволяют захватывать движущиеся объекты и людей, открывая путь к объёмному видео. Практическое применение технологии охватывает всё больше областей. Архитекторы и риелторы используют её для создания фотореалистичных виртуальных туров, киноиндустрия экспериментирует с захватом локаций для последующего размещения в них цифровых актёров, а музеи оцифровывают артефакты с уровнем детализации, недостижимым для классического фотограмметрического сканирования. Производители смартфонов изучают возможность встраивания упрощённых версий метода в пользовательские приложения, а робототехника видит в нейронных полях излучения удобный способ построения детальных карт окружающей среды.