原始NeRF不管是训练速度还是推理速度都十分的慢，NVIDIA针对这个问题提出了instant-ngp，实现了训练5min就能得到和NeRF相当的结果。论文全称：Instant Neural Graphics Primitives with a Multiresolution Hash Encoding，主要的思路是：减小MLP的大小；为了保证性能，给MLP的输入是具有特征的向量，而不是单纯的位置加方向（或positional encoding）。
提出一种任务无关的通用高效编码方法-多分辨率哈希编码，在4种任务上验证此方法的优越性。
- Gigapixel image：MLP将高分辨率图像的2D坐标转换为RGB；
- Neural signed distance functions(SDF)：MLP学习将3D坐标映射为到表面的距离；
- Neural radiance caching(NRC)：MLP从蒙特卡洛路径跟踪器学习给定场景的5D光场；
- NeRF：MLP学习从5D位置＋方向到3D-radiance和1D-density的映射；
上面的任务都是用了MLP学习一个映射，训练的瓶颈也在于MLP的大小。比如NeRF，在渲染一个pixel时，会使用ray marching，采样数以百计的点，也就是一个pixel需要数以百次的MLP evaluation，非常耗时。
本文的一个想法是将MLP model变小，使一次MLP evaluation几乎不耗时，同时不降低性能。于是，提出多分辨率哈希编码，将大部分特征存储在哈希表中，减小MLP的大小。
NeRF MLP的大小：深度为8，宽度为256，有两个MLP
NGP MLP的大小：深度为3，宽度为64，有两个MLP
多分辨率哈希编码
NGP参数：
L是分为多少个等级（对应多少个hash table），T是指每个hash table的大小，F是每一个hash item的维度，Nl代表每一级的分辨率。
