NeRFifyMesh：直接从带纹理网格训练可组合的神经场

图2怎样把已知网格分别编码为占据、颜色和法线，哪些能力仍由外部渲染器提供？

1. 1

   从源资产取得直接监督

   在网格包围盒Ω内外及表面采样200万点，用SDF判定占据α。内部点继承最近表面的纹理颜色和插值法线，外部占据为0；靠近表面的内部颜色/法线权重更大，外部只训练空空间，不需要先渲染相机训练视图。

2. 2

   用表面稀疏网格预测占据

   图2的x查询多个分辨率G1至GN，只为源网格表面体素保存哈希特征；八角特征三线性插值并拼接，经fψ和位置x进入fζ预测α。网格外使用默认特征；模型保存表面索引而非仅存网络权重，才能无需原网格重建表示。

3. 3

   独立拟合颜色和法线

   图2下方位置编码γ(x)分别进入SIREN网络fθ和fφ预测c与n。三支同时训练但损失分开：加权颜色MSE、法线角度损失、占据BCE及特征正则；不输入观察方向，所以不能学习一般的视角相关外观。

4. 4

   把表示接到渲染和仿真

   推理沿光线累积α与颜色，可用预测法线施加Blinn-Phong光照；高梯度区域和α阈值0.95用于采表面，再作Poisson重建。PyBullet接收提取网格以及人工指定质量、摩擦等，计算物体姿态；神经场按这些姿态渲染，动力学不由网络预测。

已阅读完整v1正文、公式及全部五张结果表；公开HTML无独立附录。核对作者项目页和原图2，以下均为作者结果，未复现。

作者项目页提供方法、图例与视频；检查论文和项目外链，未找到可验证的实现、训练权重或可下载转换工具。不能将演示视作已开源系统。

LICENSE论文为arXiv非独占托管许可，图2版权归作者，仅用于必要方法评论；实现许可未确认，GSO、Poly Haven及Objaverse资产各自的权利保持独立。