Follow
https://zhuanlan.zhihu.com/p/666465701
> mlp学习到类似傅里叶特征跟GS快也没什么关系。前者是表示论的结论，或者你可以看成Peter-Weyl Thm的完备性推论，图像分类mlp把像素特征划分成等价类时它的dual object（网络参数）必然会呈现不可约表示直和的形式（也就是傅里叶基up to some basis）。然而分类网络的结论跟GS用spherical harmonics并没太大关系，SH是光照方程的经典加速近似。用分类网络的结论来解释GS快未免有些望文生义。就算把SH拉到nerf里用完全公平的设置来思考，SH也不是代替nerf mlp学习的最优解，很多nerf PE的工作都是反例，比如NGP的哈希。
> GS快单纯因为高斯球的投影有解析式一步算到，它也不要求用mlp强行拟合不同物体不连续边界。
