本文提出了一种使用隐式神经表示法来压缩三维标量场的方法，通过将标量场表示为学习到的函数，通过设置神经网络的权重数小于输入大小，压缩表示方法成为函数逼近，结合网络权重的精细量化，实现了高度紧凑表示，胜过了现有的体积压缩方法，并对网络设计选择对压缩性能的影响进行了研究。

Apr, 2021

该论文提出了一种针对基于网格的 NeRF 模型的效率压缩方法，使用非线性变换编码范式和神经压缩对模型的特征网格进行压缩，引入重要性加权的失真率目标和利用掩蔽机制的稀疏熵模型以利用潜在特征网格的空间不均匀性，实验证明该方法在基于网格的 NeRF 压缩效率和重建质量方面优于现有工作。

Jun, 2024

本文提出了一种利用小波变换和可训练掩模方法结合网格神经场的方法来减少计算和存储资源的使用，以实现更加紧凑的场景渲染的方法。实验结果表明，在 2MB 的内存预算下，该方法的性能达到了最优水平。

Dec, 2022

本文提出了一种使用压缩方法从紧凑的角度追求较小体积的神经辐射场的简单而有效的框架，该方法利用网格模型固有的代表特性，开发了非一致压缩方法以显着减少模型复杂性，并引入了名为 “神经码书” 的新颖参数化模块，通过快速优化来更好地编码每个场景模型的高频细节，从而实现对网格模型存储量的超过 40 倍的减少，在具有竞争性的渲染质量和 180 fps 的实时渲染速度的同时，相对于实时渲染方法而言具有存储成本的显著优势。

May, 2023

该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

Dec, 2022

SHACIRA 是一种简单但有效的通用框架，它通过在潜在空间中重参数化特征网格、应用熵正则化实现了对如图像、视频和辐射场等多种领域数据进行高水平压缩，超过了现有的 INR 方法，而无需大型数据集或特定领域的启发式算法。

Sep, 2023

提出了一种基于频域熵建模的压缩模型，通过离散余弦变换（DCT）对特征网格进行压缩，进一步使用熵参数化技术提高稀疏性，实现轻量级压缩编解码，从而使得体积辐射场方法更易于在实际应用中使用。实验结果表明，所提出的频域熵模型在多个数据集上达到了卓越的压缩性能。

Nov, 2023

通过使用非线性转换、量化和熵编码实现记忆高效的场景表示，我们提出了 NeRFCodec ，这是一个端到端的 NeRF 压缩框架，它利用预训练的神经 2D 图像编解码器对特征进行压缩，从而使得我们能在 0.5 MB 的内存预算下实现高质量的新视角合成。

Apr, 2024

本文研究了将神经网络量化作为离散标记问题，并通过检查松弛度，设计了一种有效的迭代优化过程。我们的实验表明，我们的算法可以获得准确度非常接近浮点参考网络的完全量化网络。

Dec, 2018

通过将所有特征网格转化为一个共同的框架，我们通过简单的索引运算将现有数据结构的查找函数组合在一起，实现了帕累托最优压缩和速度，从而表明具有学习探针的哈希表在大小和速度上具有优势。

Dec, 2023