神经辐射场在真实光影下常因曝光不一而失效。谷歌提出的NExF技术，通过在3D空间学习最佳曝光值，有效解决了过曝和欠曝问题，显著提升了NeRF在复杂真实场景下的视图合成质量，为三维重建应用带来了新突破。
智能速览
传统NeRF难以处理真实场景中因相机自动曝光导致的过曝或欠曝问题。
谷歌NExF技术在3D空间构建神经曝光场，为每个点学习最佳曝光值。
通过潜在曝光条件化，将曝光预测与颜色渲染深度耦合。
在多个数据集上测试，NExF性能超越基线超55%，且训练速度更快。
NExF能生成室内外光线平衡、细节丰富且3D一致的视图。
精华内容
NExF的精妙之处在于将曝光问题从2D图像处理提升到3D场景理解，用一种全新的思路攻克了传统NeRF的短板。
NeRF的曝光困境
NeRF技术虽在视图合成上表现出色，但在现实应用中却面临巨大挑战。其核心假设是所有输入照片的光照条件基本一致，然而现实中相机为捕捉细节会自动调整曝光。
这导致同一场景的照片可能明暗差异巨大，有的为看清暗部而提高曝光，导致亮部过曝；有的为保留高光而降低曝光，又让暗部欠曝。传统NeRF面对这些曝光不一致的数据时，重建出的三维模型质量会严重下降，常出现局部过曝成白板或欠曝成漆黑一片的现象。
3D空间的曝光场
NExF的创新思路是跳出2D图像层面，直接在3D空间中解决曝光问题。它构建了一个与神经辐射场并行的“神经曝光场”，并在训练中与NeRF网络进行端到端的联合优化。
在训练阶段，模型不仅学习场景的几何与颜色，还学习为3D空间中每一个点预测一个理想的曝光值。这个预测值通过体渲染与输入图像的真实曝光时长进行比较，计算出损失。在推理生成新视角时，模型不再依赖任何外部曝光参数，而是直接调用自己预测出的3D曝光场来指导渲染，确保最终输出图像在任何位置都曝光均匀、细节清晰。
深度耦合机制
NExF一个关键技术点是“潜在曝光条件化”。模型预测出的最佳曝光值并非一个简单的后期调整参数，而是被编码成一个潜在向量，作为条件输入到NeRF网络的颜色预测头部。
这种设计使得模型能够根据预测的“理想曝光”来动态调整渲染颜色，实现了曝光与颜色的深度耦合。模型不再是被动地适应光照，而是主动地理解并渲染出在理想曝光下应有的颜色，从而获得更加真实和和谐的视觉效果。
快、准、稳的效果
实验结果充分证明了NExF的优越性。在HDRNeRF和Eyeful Tower等多个具有挑战性的真实世界数据集上，NExF无论是在定量指标还是定性效果上均达到了业界领先水平（SOTA）。
定量数据显示，NExF相比此前最好的基线方法，性能提升超过55%，同时训练速度也更快。从定性对比图来看，面对室内外光线差异巨大的场景，基线方法要么天空过曝，要么室内漆黑，而NExF则能完美平衡亮部与暗部，生成细节丰富、光影和谐且3D一致的图像，效果甚至优于单次曝光拍摄的真实照片。
NExF通过“升维”思路，为NeRF在真实世界的应用扫清了关键障碍，其高效、高质量的特性预示着三维重建技术将更广泛地应用于街景、测绘等领域。这种在3D空间学习物理属性的方法，还能解锁哪些新可能？
