# 🚜 Nerf: Representing Scenes as Neural Radiance Fields for View Synthesis

👥 **Integrantes:**  
- 👤 Miguel Ángel Molina G.  
- 👤 Ing Cristian Camilo Rey Rueda 


📑 **Material de apoyo:**  
- 📊 **Diapositivas:** [Diapositivas](https://www.canva.com/design/DAGoNpsjfO0/jZ53ON22Up3XMRUA_ZNXew/edit?utm_content=DAGoNpsjfO0&utm_campaign=designshare&utm_medium=link2&utm_source=sharebutton)  
- 📜 **Paper:** [Artículo](https://arxiv.org/pdf/2003.08934)  

---

## 🎯 **Objetivos**

Se plantean 3 objetivos para esta exposición:

✅ Comprender las limitaciones de los enfoques tradicionales para la síntesis de vistas novedosas (por ejemplo, métodos basados en geometría explícita o mapas de profundidad).  
✅ Explicar cómo NeRF utiliza una red neuronal para representar escenas 3D mediante una función continua de coordenadas espaciales y direcciones de vista.  
✅ Analizar el proceso de renderizado volumétrico y su papel en la generación de vistas fotorrealistas a partir de un conjunto reducido de imágenes.

---

## 📊 **Resultados Esperados**

📍 Se espera obtener al final de la sesión:

🔹 Diferenciar a NeRF de otros métodos de reconstrucción 3D y renderizado neuronal, destacando su enfoque basado en representación implícita continua.  
🔹 Entender cómo el entrenamiento supervisado con imágenes y poses de cámara conocidas permite a NeRF generar vistas nuevas con alto realismo sin necesidad de geometría explícita.  
🔹 Reconocer el papel clave del renderizado volumétrico diferenciable en la optimización de la red y su capacidad para capturar detalles geométricos complejos.



## 📚 **Referencias**
📖 Enlaces que pueden servir de ayuda para el lector:

🔹 [🎥 Video complementario #1](https://www.youtube.com/watch?v=CRlN-cYFxTk&t=9s)  
🔹 [🎥 Video complementario #2](https://www.youtube.com/watch?v=JuH79E8rdKc)