具体来说,这种做法会迫使高斯形状适应平滑的单目深度,而不是复杂的颜色外观,从而导致细节丢失和模糊化。...由于单通道深度比颜色要平滑得多,更容易拟合,对整个模型应用全参数深度正则化,这在之前的稀疏视角神经场中广泛使用,会导致形状参数过拟合目标深度图,从而造成模糊的外观。因此,这些参数必须被不同地对待。...文章还希望确保实际渲染的"软深度"的准确性,否则表面可能会变得半透明并造成空洞。...遵循之前工作使用的设置,对DTU和LLFF数据集使用相同的分割,在3个视图上训练模型,并在另一组图像上进行测试。为了消除背景噪声,专注于目标对象,文章在DTU评估时应用了与之前工作相同的对象掩码。...针对所有数据集训练模型次迭代,并在第次迭代后应用软深度正则化,以获得稳定性。文章在所有实验中设置作为损失函数。