Contribution

NeRF와 같은 모델에서 input을 higher-dimensional space로 보내 compact한 모델로부터 high approximation quality를 추출할 수 있음이 증명되었으나 task specific하며 GPU performance를 제한시킨다.
-> Multiresolution hash encoding을 활용하여 adaptivity와 effciency를 높이자

Methods

• Hash table을 neural net을 활용하여 학습하는 모델.
• 하나의 이미지에 대해 multiresolution을 사용하며 각 픽셀값은 hashing function에 의해 $T$ 이하의 index를 가진다.
• hashing function $h(x)$의 $x_1, x_2, x_3$은 $x,y,z$를 의미하며 $\pi_i$는 axis의 독립성을 보장하기 위해 매우 큰 소수를 사용(ex. $\pi_1=1, \pi_2=2654435761,\pi_3=805459861$)
• XOR을 활용한다는데 뭔지 잘 모르겠다..
• $T$개의 index에 대한 $F$차원의 featue가 있어 hash table이 구성된다고 생각하면 각 resolution에서 grid 사이에 있는 값들은 interpolation을 통해 구할 수 있다.
• 이렇게 구한 $L$개의 resolution에서의 feature를 전부 concatenation하여 MLP에 통과시키면 RGB를 output으로 추출한다.

Results

짧은 시간 내에 SDF, NRC, NeRF 등의 Task에서 좋은 성능을 보인다.