近日，我院郭浩教授团队最新研究成果《Spik-NeRF v2: Pushing the Limit of Spiking Neural Radiance Fields with ±I-LIF》获人工智能与机器学习领域国际顶级会议NeurIPS 2026录用。该论文第一署名单位为太原理工大学，程忱副教授为第一作者，郭浩教授与航天智能院郭宇飞高级工程师为共同通讯作者。

神经信息处理系统大会（Conference on Neural Information Processing Systems，简称NeurIPS）是人工智能与机器学习领域具有广泛国际影响力的顶级学术会议，为中国计算机学会（CCF）推荐的A类国际学术会议。本届会议有效投稿30709篇，最终收录论文7900篇，录用率25.7%，集中呈现了人工智能及机器学习领域的前沿进展。

神经辐射场（Neural Radiance Fields，NeRF）是三维场景表示与新视角合成的重要技术，通过学习不同视角下的图像建立连续的三维场景表示，并生成新视角下的图像，在虚拟现实、数字内容生成与三维重建等领域具有应用潜力。然而，传统NeRF依赖人工神经网络进行大量计算，其计算开销限制了在资源受限设备上的部署。脉冲神经网络（Spiking Neural Networks，SNN）具有事件驱动与稀疏计算的特点，为高效神经渲染提供了新的思路，但神经渲染对几何结构、颜色与纹理的精细表达提出了较高要求，传统脉冲表示带来的信息损失容易影响渲染质量，而增加推理时间步又会带来额外的计算开销。如何减少脉冲表示中的信息损失，在有限时间步下兼顾渲染质量与计算效率，是实现高效脉冲神经渲染的关键。

针对上述问题，论文提出Spik-NeRF v2方法，从脉冲神经元设计与推理重参数化两个方面提升神经渲染的质量与效率。论文设计了有符号整数脉冲神经元±I-LIF，将传统I-LIF在训练阶段的非负整数输出扩展为有符号整数输出，同时保留正向与负向激活信息，减轻量化带来的信息损失，增强网络对场景细节的表达能力。在推理阶段，有符号整数输出被转换为取值为−1、0、1的三值脉冲序列，使脉冲层中的乘累加运算转化为稀疏加减运算，在提升表征能力的同时保留SNN的事件驱动计算特点。进一步地，为兼顾渲染质量与推理效率，论文提出等效重参数化方法，将训练完成的I-LIF模型转换为±I-LIF模型。该方法通过二值脉冲到三值脉冲的重组、网络权重的直接继承以及偏置补偿，保持转换前后下一层输入一致，在保留原模型渲染质量的同时，将推理时间步数减少一半，从而降低推理开销。

论文在公开的合成与真实场景数据集上开展了实验验证，与多种代表性神经渲染方法进行了系统对比。实验结果表明，Spik-NeRF v2在较少推理时间步下取得了优于前代方法的渲染质量，进一步缩小了与传统人工神经网络方法的性能差距。此外，神经元对比实验进一步验证了所提出设计的有效性。

郭浩教授团队此次取得的研究突破，为类脑脉冲计算与神经渲染的交叉发展夯实了关键技术基础，充分彰显出我院在类脑视觉的科研积淀与自主创新实力。后续团队将继续深耕脉冲神经渲染相关技术研究，力争把算法理论成果落地实际应用场景。学院也将不断夯实高水平科研创新平台，鼓励勇闯学术前沿、开展源头创新研究，助推更多具备国际竞争力的科研成果亮相国际顶级学术舞台。