名词解释
voxels
可以将voxels理解为三维的像素。就像二维图像中的像素表示图像中的单个点，voxels表示三维空间中的单个点，但具有额外的信息，例如密度或颜色。这使得voxels可以用来表示三维物体或环境中的细节，并进行精确的三维操作和渲染。
CLIP
CLIP是一种视觉-语言学习框架，即Contrastive Language-Image Pre-Training。它通过在大量文本和图像对上进行预训练，学习了一个语义丰富的模型，使得模型能够将文本和图像表示在同一个向量空间中。这使得模型能够对文本进行推理，并在语义上理解文本所描述的图像。在视觉-语言领域中，CLIP已经被广泛应用于图像检索、图像分类、图像生成等任务中。
NeRF
神经辐射场（Neural Radiance Fields，简称NeRF），利用深度学习技术从多个视角的图像中提取出对象的几何形状和纹理信息，然后使用这些信息生成一个连续的三维辐射场，从而可以在任意角度和距离下呈现出高度逼真的三维模型。