Sat-NeRF VS NeRF

前文我们分析了两者的源码，接下来我们做一个简短的分析对比一下Sat-NeRF 和标准 NeRF 模型的代码

一、输出通道的不同

论据：

• 标准 NeRF：

  self.number_of_outputs = 4  # rgb (3) + sigma (1)
  

• Sat-NeRF：

  self.number_of_outputs = 9  # rgb (3) + sigma (1) + sun visibility (1) + rgb from sky color (3) + beta (1)
  

分析：

标准 NeRF 模型输出 4 个通道，分别是 RGB 颜色（3 个通道）和体积密度 σ（1 个通道）。而 Sat-NeRF 增加了额外的输出，包括太阳能可见性（1 个通道）、天空颜色 RGB（3 个通道）和不确定性 β（1 个通道），总共 9 个输出通道。

结论：

Sat-NeRF 的输出更加丰富，除了基本的颜色和密度信息外，还包含了与光照相关的参数。这使得 Sat-NeRF 能够在渲染过程中更好地模拟真实世界中的光照和阴影效果，尤其适用于需要考虑太阳方向和天空颜色的应用场景。

---

二、输入参数的扩展

论据：

• 标准 NeRF 的 inference 函数：

  def inference(model, args, rays_xyz, z_vals, rays_d=None):
      ...
      rays_d_ = None if rays_d is None else torch.repeat_interleave(rays_d, repeats=N_samples, dim=0)
      ...
      for i in range(0, batch_size, chunk):
          input_dir = None if rays_d_ is None else rays_d_[i:i + chunk]
          out_chunks += [model(xyz_[i:i+chunk], input_dir=input_dir)]
      ...
  

• Sat-NeRF 的 inference 函数：

  def inference(model, args, rays_xyz, z_vals, rays_d=None, sun_d=None, rays_t=None):
      ...
      rays_d_ = None if rays_d is None else torch.repeat_interleave(rays_d, repeats=N_samples, dim=0)
      sun_d_ = None if sun_d is None else torch.repeat_interleave(sun_d, repeats=N_samples, dim=0)
      rays_t_ = None if rays_t is None else torch.repeat_interleave(rays_t, repeats=N_samples, dim=0)
      ...
      for i in range(0, batch_size, chunk):
          out_chunks += [model(
              xyz_[i:i+chunk],
              input_dir=None if rays_d_ is None else rays_d_[i:i +