본 논문은 신경장(Neural Fields, NF)의 지속적 학습 문제를 해결하기 위해 메타 지속적 학습(Meta-Continual Learning)을 제안합니다. 기존 지속적 학습 방법들의 한계인 급격한 망각(catastrophic forgetting)과 느린 수렴 속도를 극복하기 위해, 모듈형 아키텍처와 최적화 기반 메타 학습을 결합한 새로운 전략을 제시합니다. 특히, 신경 방사장(Neural Radiance Fields, NeRF)을 위한 피셔 정보 최대화 손실 함수(FIM-NeRF)를 도입하여 샘플 수준에서 정보 획득을 극대화함으로써 일반화 성능을 향상시키고, 수렴 보장 및 일반화 경계를 증명합니다. 이미지, 오디오, 비디오 재구성 및 뷰 합성 작업에 대한 광범위한 평가를 통해 기존 방법보다 재구성 품질과 속도가 우수함을 보여주며, 도시 규모 NeRF 렌더링에 대한 신속한 적응과 감소된 매개변수 요구 사항을 달성합니다.
