前言
NeRF从2020年发展至今，仅仅三年时间，而Follow的工作已呈井喷之势，相信在不久的将来，NeRF会一举重塑三维重建这个业界，甚至重建我们的四维世界（开头先吹一波）。NeRF的发展时间虽短，有几篇工作却在我研究的领域开始呈现万精油趋势：
* PixelNeRF—-泛化法宝
* MipNeRF—-近远景重建
* NeRF in the wild—-光线变换下的背景重建
* Neus—-用NeRF重建Surface
* Instant-NGP—-多尺度Hash编码实现高效渲染
Abstract
由于远景近景的分辨率不同，导致经典NeRF对于多尺度场景的表达存在明显瑕疵：NeRF对于近景的重建比较模糊而对于远景的重建出现锯齿。简单粗暴的策略是supersampling，但是费时费力。相较于NeRF使用的位置编码（PE）方式，Mip-NeRF提出了积分位置编码的方式（IPE）.这种编码方式可以多尺度地描述空间中的信息分布，make sense.
NeRF
Positional Encoding:
MLP:
Final Predicted Color of the Pixel:
Loss Function：
其中是根据coarse modelinferene出的经过inverse transform sampling求解出的。
Mip-NeRF
NeRF通过point-sampling的方式对每个像素–>所对应的射线进行位置编码，而忽略了每个采样点所包含的Shape, Volume等信息。
这导致了图中所示交汇处的黄点与蓝点会inference出相似的point-sampled feature. Mip-NeRF企图对Shape, Volume进行编码解决NeRF这一困境。
MipNeRF对一段ray所代表的锥台区域的定义如下:
红框部分图示如下：
OB即为红框中间部分求解结果，在之间
分别代表蓝框右式和左式。
期望位置编码为：
但这个公式没有闭式解，作者转而利用多元高斯求近似值，那就是求解.因为锥台是关于ray对称的，因此期望值应该在ray上，关于期望position,只需要求解ray上的期望distance，令其为. 以及沿ray线的,以及垂直于ray的圆面所对应的.
先给结论，公式推导见公式推导章节：
将均值与方差从锥台坐标系转换到世界坐标系下：
进行Positional Encoding, 令:
and
根据下式可求解IPE闭式解：
最后得到的IPE编码为：
公式推导：
下面来说（,,)分别是怎么求解的
作者在supplement里面给出了推导过程，以下结合推导过程进行一些说明
此公式中需注意的是，是一个关于原点到成像平面像素中心的距离的比例系数（这句话有点绕，见下图）
所以说，当时，x和y就在刻画该像素的红色圆圈上。同理，当时，该区域就是描述像素平面上该红色圆圈以内区域。为了求解锥台的三维积分，我们需要求解出描述三维空间的微分，如下所示：
因此，锥台内的体积
的期望为：
的期望为：
的期望为：
:
文章中说r的方差可以用x的或者y的来代替，这个是为啥我还需要再研究下，欢迎大佬们留言。
为了计算的稳定性，令， 将上式经过等式变换后得到：
参考文献：
Barron, Jonathan T., et al. “Mip-nerf: A multiscale representation for anti-aliasing neural radiance fields.”Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021.
Barron, Jonathan T., et al. “Mip-NeRF: A Multiscale Representation for Anti-Aliasing Neural Radiance Fields Supplemental Material.”