🔔赏金 #004 - 自动逐场景超参数优化 为 gplv3 LichtFeld Studio 构建一个系统，该系统能够在训练过程中自动找到每个场景的最佳超参数。必须使用 MCMC 加密（高斯数可调）。 目标：比 MipNeRF360 基线提高 0.15 dB PSNR。 奖金池：2430美元。 详情及链接请见下方帖子！
🧾 核心规则（简述）： • 在训练期间执行，无需手动逐场景调整。 • 调整位置、缩放、旋转、不透明度和球谐函数的学习率。 • 修改密度阈值/区间、迭代次数、高斯数和其他质量/收敛参数。 • 从 bounty_004 分支 fork 而来。 • 确保运行结果可复现。
💡 您可以采用的方法： • RL 控制器（RLGS / 调整日程的策略） • 贝叶斯优化 / SMAC（基于模型的 HPO） • 元学习/逐场景自适应（快速微调） • 基于梯度的超梯度方法（可学习的 LR 调度） • 基于人群的训练/无计划优化器 • 任何新颖的组合——但需要 MCMC 密度化 + 可调高斯函数。
📦 提交： • 向 bounty_004 提交 PR，其中包含一个可运行的入口点 • 结果表（所有 MipNeRF360 场景） • 视觉效果和技术简报 • 依赖项 + 兼容 GPLv3 的许可证 优先考虑 C++（Python 需减免 20% 奖金）。 截止日期：2025 年 10 月 12 日晚上 11:59（太平洋标准时间）（2025 年 10 月 12 日上午 11:59）。 祝你好运！
赞助商提供的奖金总额为 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 问题：https:github.com/MrNeRF/LichtFe…ord：https://t.co/vHUPD8hcdg