随着全球粮食生产面临日益复杂的挑战，深入了解植物结构已成为农业研究中不可或缺的一环。这不仅仅关乎表面上的视觉呈现，更重要的是，通过精准捕捉植物复杂的几何细节。这些细节对于推动作物表型分析、改良品种和育种研究具有极其重要的意义。为了应对这一需求，越来越多的研究致力于开发精确的3D植物重建技术。然而，传统的3D重建方法在捕捉植物复杂的几何细节上往往力不从心，这些细节的准确重建对于更好地理解植物的发育过程和生态适应性至关重要。NeRF作为计算机视觉和图形学中的前沿技术（特别是在植物科学研究中）能够捕捉精细的结构细节，为深入了解植物结构提供了潜力，并有望成为植物表型分析和育种中的重要工具。

2024年9月，Plant Phenomics 在线发表了Iowa State University完成的题为Evaluating Neural Radiance Fields for 3D Plant Geometry Reconstruction in Field Conditions 的研究论文。该研究对NeRF方法进行了详细评估，以评估其在高分辨率植物结构3D重建中的适用性和有效性，对不同NeRF实现方案的比较分析，以确定最适合特定植物建模需求的框架，并提出了一种早停算法，以在模型精度的改进不再能合理地平衡计算成本时提前终止训练，从而显著降低计算成本。针对不同场景的重建结果（如图1所示）表明，NeRFacto在精度、召回率、F1 分数和图像质量指标方面表现最为优越，非常适合需要高精度和完整性的3D建模应用（如图2所示）。然而，其在较高迭代次数下的时间低效性可能限制其在时间敏感场景中的使用。Instant-NGP 在性能和效率之间表现出良好的平衡，使其成为适用于中等需求场景的可行选择。

图1 输入到 NeRF的示例图像，涵盖三个不同场景。(A) 场景I：室内单一物体。(B) 场景II：室内多个物体。(C) 场景III：户外场景。

图2 不同 NeRF技术在不同场景下的 3D 重建精度和召回率。

本研究主要价值是讨论了对不同NeRF模型进行3D植物重建的结果，探讨其优越性的理论基础。这有助于理解和改进NeRF模型在植物研究中的应用，从而为植物表型分析和育种研究提供更高质量的数据。

论文链接：

‍https://doi.org/10.34133/plantphenom‍ics.0‍235

——推荐阅读——

Plant Phenomics | Eff-3DPSeg：使用高效标注的深度学习方法进行植物器官级分割

Plant Phenomics | 北京市农林科学院基于玉米3D叶形的特征提取与分析

Plant Phenomics | 利用Helios 3D植物和辐射传输建模框架模拟自动标注的可见光和多/高光谱图像

加入作者交流群