🔔賞金 #004 - 自動逐場景超參數最佳化 為 gplv3 LichtFeld Studio 建立一個系統，該系統能夠在訓練過程中自動找到每個場景的最佳超參數。必須使用 MCMC 加密（高斯數可調）。 目標：比 MipNeRF360 基線提高 0.15 dB PSNR。 獎金池：2430美元。 詳情及連結請見下方貼文！
🧾 核心規則（簡述）： • 在訓練期間執行，無需手動逐場景調整。 • 調整位置、縮放、旋轉、不透明度和球諧函數的學習率。 • 修改密度閾值/區間、迭代次數、高斯數和其他質量/收斂參數。 • 由 bounty_004 分支 fork 而來。 • 確保運作結果可重複使用。
💡 您可以採用的方法： • RL 控制器（RLGS / 調整行程的策略） • 貝葉斯最佳化 / SMAC（基於模型的 HPO） • 元學習/逐場景自適應（快速微調） • 基於梯度的超梯度方法（可學習的 LR 調度） • 基於人群的訓練/無計畫優化器 • 任何新穎的組合－但需要 MCMC 密度化 + 可調高斯函數。
📦 提交： • 向 bounty_004 提交 PR，其中包含一個可運行的入口點 • 結果表（所有 MipNeRF360 場景） • 視覺效果與技術簡報 • 依賴項 + 相容 GPLv3 的許可證 優先考慮 C++（Python 需減免 20% 獎金）。 截止日期：2025 年 10 月 12 日晚上 11:59（太平洋標準時間）（2025 年 10 月 12 日上午 11:59）。 祝你好運！
贊助商提供的獎金總額為 2,430 美元： @Auki 1000美元 @fulligin 500美元 @janusch_patas 300美元 @YeheLiu 280美元 @kennethlynne 200美元 @fhahlbohm 100美元 @mazy1998 50美元 GitHub 問題：https:github.com/MrNeRF/LichtFe…ord：https://t.co/vHUPD8hcdg