简介
使用扩散模型来推断文本相关图像作为内容先验，并使用单目深度估计方法来提供几何先验，并引入了一种渐进的场景绘制和更新策略，保证不同视图之间纹理和几何的一致性
实现流程
简单而言：
文本-图片扩散模型生成一张初始图片 I 0 I_0 I0，将 I 0 I_0 I0扭曲，得到同一z平面的多个图片，也就是 Support set S 0 S_0 S0，注意，这里的 S 0 S_0 S0是由 I 0 I_0 I0扭曲得到，所以存在很多空白，但是我们可以根据 S 0 S_0 S0重建初始的NeRF模型。
利用初始NeRF模型渲染新视角图片，这是残缺的，但是可以通过扩散模型来补全，注意，为了保持场景的一致性，视角从 I 0 I_0 I0旁边小幅度的偏移，让扩散模型尽量多的从 I 0 I_0 I0中获取信息，然后就可以更新NeRF模型了。
由于图像扭曲的影响，必然导致图像尺度差距和距离差距（体现在空间点深度在不同视角存在差异的情况）。为此，采用了深度对齐策略。
Support Set
采用了 DIBR(Depth-image-based rendering (dibr), compression, and transmission for a new approach on 3d-tv) 方法生成 S 0 S_0 S0
具体而言为：
从扩散模型中获得初始图片 I 0 I_0 I0 ，再通过深度预测网络获得深度 D 0 D_0 D0，对于 I − 0 I-0 I−0的每个像素q 和其深度 z，利用下述公式进行转换，得到 S 0 S_0 S0。
K K K 和 P i P_i Pi 是视图 i 中的固有矩阵和相机姿态。
为了在大视野范围内生成3D场景，将相机位置设置在辐射场内部，并使相机向外看，但是该方法不能像其他设置相机查看内部的方法那样生成单独的3D对象。
以当前摄像机位置 P 0 P_0 P0 为中心，对其半径为 r 的环绕圆，生成有相同的 z 坐标，统一采样 n 点作为摄像机位置，并使用与当前视图相同的摄像机方向来生成支持集中的翘曲视图，一般 r=0.2，n=8，偏移方向一般为 上、下、左、右、上左、下左、上右和下右。
这时候就可以开始重建初始三维模型了。
Text-Driven Inpainting
除了初始视图 I 0 I_0 I0 之外的渲染结果不可避免地会有内容缺，这时候就可以使利用基于预训练扩散模型的文本驱动的补图方法了。
首先，渲染一个新视角 P 1 P_1 P1 图像 I k R I^R_k IkR，通过对比 I 0 I_0 I0扭曲到 P 1 P_1 P1后的图像和 I k R I^R_k IkR，我们得到了掩膜 M k M_k Mk。然后就丢给扩散模型，这样就扩展了场景信息。
但是呢，扩散模型的生成质量不一定很好，因此采用多次绘制过程，通过CLIP的图像编码器评估，比较补全的图像与初始图像的差距，选出最优的。论文采用30个候选。
Depth Alignment
补全的图片与初始的图片在重叠部分会存在深度冲突。体现为：
尺度差距： 图像中沙发和墙壁对应的空间点的距离应该是唯一的，但是在不同视图可能存在差异
距离差距： 不同视图拟合的空间点不一致
论文通过补偿平均比例尺和距离差异来全局对齐这两个深度图
对应渲染图像 和补全的图像，表示为 { ( x j R , x j E ) } j = 1 M \{(x^R_j,x^E_j)\}^M_{j=1} {(xjR,xjE)}j=1M，计算平均尺度分数 s 和深度偏移 δ 来近似平均尺度和距离差异
缩放后的点 x ^ j E = s ⋅ x j E \hat{x}^E_j = s \cdot x^E_j x^jE=s⋅xjE ，z(x) 表示预测深度
这里定义全局深度 D k g l o b a l = s ⋅ D k E + δ D^{global}_k = s \cdot D^E_k + \delta Dkglobal=s⋅DkE+δ，最小化渲染深度接近全局深度
Progressive Inpainting and Updating
为了保证场景绘制过程中视图的一致性，避免几何和外观的模糊性，采用逐视图更新亮度场的渐进式绘制和更新策略
在每次补全后更新亮度场。这意味着之前绘制的内容将在后续的效果图中反映出来，这些部分将被视为已知区域，不会在其他视图中再次绘制
受（Zeroshot text-guided object generation with dream fields）启发，设计了一个深度感知透射损失 L T L_T LT，以促使NeRF网络在相机光线到达预期深度之前产生空密度
m(t)是一个掩膜，当 t< z ^ \hat{z} z^ 时，m(t) = 1，否则为0， z ^ \hat{z} z^是对齐深度图 D ^ \hat{D} D^ 中逐像素深度值,T (T)为累积透过率
效果
