要维护一个表，根据特定的位置和角度，查询获得颜色值和密度，然后交给体渲染方法去使用和计算。”卡莱尔给韩辞大概科普了一下方法的步骤。

    “传统的这种方式有一个很大的问题，查表意味着表的大小和空间的大小正相关。如果我想要表达的空间比较大，这个表的大小规模就会越大，所需要的资源数量会超乎人类的想象，来到一个夸张无比的规模。并且它还是离散表示的。”孟繁岐直接指出了原本办法的最大问题。

    “这就像是y=x这条直线，你不使用方程y=x去描述，而是记录(1，1)、(2，2)这些点去表达，复杂度就从1变成了n。你想要描述的范围越大，需要记录的点就越多。而我的想法，就是用深度学习的方式，去近似拟合这个函数，这样就不再需要维护一个庞大的查询表。”

    这也就是神经辐射场的名字来由了，其实就是一种基于神经网络的辐射场表达办法。

    由于神经网络和体渲染方法都可微分，渲染得出的图像与原本图像的差距就很好计算和传递，直接可以从最终的成果反向传回模型当中，非常方便进行运算。

    对于孟繁岐的这番创举，克莱尔心中感到的震撼是非常大的。

    在她看来，孟繁岐此前做的什么图像分类、检测、分割都只能算作是模式识别问题，都算不上是真正意义上的【计算机视觉】。

    因为神经网络在这些任务上的贡献，都只是分析分析图片里面的模式和特征罢了，对于视觉的本质是根本没有触及到的。

    这也是图形学研究者们独特的骄傲了，觉得自己的研究视角更高一层。

    计算机视觉领域最高的奖项是【马尔奖】，作为计算机视觉的开创者，马尔提出过一个系统的视觉理论。

    他把计算机视觉的终极问题定义为：【输入二维图像，输出由二维图像重构出来的三维物体的位置和形状】。

    在马尔看来，如果这个终极问题能够被解决，那么其他的问题都不在话下，要简单许多。

    从他的理解来看，图像的识别检测都是小打小闹，从二维到三维的重建才是整个领域最根本核心的问题。

    而这个方向的突破和成果，才是视觉领域最根本的进步。

    因为这是人类视觉的最基本最核心的功能。

    对于人类来说，根据看到的图像分析出立体物体的位置、远近和大小，简直易如反掌。

    听完孟繁岐的整个思路之后，克莱尔彻底被折服了。

    “从理论上，计算像素平面某点的值，需要计算从相机出发的射线在立体空间内路径上的种种物理变化。”对于这个渲染公式，孟繁岐实在是一知半解，只能听着她们两个讨论。

    有关于这些光路的计算，除了强大的数学功底，还>> --