摘要
在复杂的无人机户外场景中，新视角合成仍然具有挑战性，这主要是由于空间变化大、纹理较弱或重复、远处结构明显、存在遮挡以及光照条件不断变化等因素。本研究受到早期哺乳动物视觉系统的多尺度感受野处理和选择性特征响应机制的启发，提出了一种基于生物原理的神经辐射场（NeRF）框架。在生物视觉中，不同空间尺度的感受野有助于同时表现场景的粗略结构和细致的视觉细节。基于这一原理，本研究采用了一种多分辨率哈希网格编码策略，将3D坐标表示在14个不同的空间分辨率层次上，从而共同捕捉全局场景布局和局部的高频细节。此外，为了增强视觉特征的选择性表达，引入了一种轻量级的方向坐标注意力（DCA）模块。该模块通过三个独立参数化的增益分支，对中间特征通道进行乘法调整，以强化局部结构的表现以及视角依赖的外观变化。为了进一步提高优化效果和渲染稳定性，还加入了预标准化的残差MLP模型以及基于光线方向和层次间一致性的正则化机制。在住宅建筑、梯田地和山地地形等场景上的实验表明，所提出的方法在PSNR、SSIM和LPIPS等评估指标上的表现均优于NeRF、Mip-NeRF和Plenoxels，最大PSNR提升幅度达2.27 dB。这些结果表明，将基于生物原理的多尺度表示技术和选择性信息处理方法引入神经场景建模中，可以有效提高复杂无人机环境中新视角合成的质量。
