NeRF-आधारित विभाजन विधियाँ वस्तु अर्थविज्ञान पर केंद्रित होती हैं और केवल RGB डेटा पर निर्भर करती हैं, जिससे विशिष्ट पदार्थ गुणों को समझने की उनकी क्षमता सीमित हो जाती है। इस पत्र में, हम UnMix-NeRF ढाँचा प्रस्तुत करते हैं, जो स्पेक्ट्रल अनमिक्सिंग को NeRF में एकीकृत करके हाइपरस्पेक्ट्रल नॉवेल व्यू सिंथेसिस और अप्रशिक्षित पदार्थ विभाजन को एक साथ निष्पादित करता है। स्पेक्ट्रल परावर्तन को विसरित और स्पेक्युलर घटकों के माध्यम से मॉडल किया जाता है, जबकि एक सीखा हुआ वैश्विक एंड-मेम्बर शब्दकोश शुद्ध पदार्थ हस्ताक्षरों का प्रतिनिधित्व करता है, और बिंदु-वार प्रचुरता उनके वितरण को दर्शाती है। अप्रशिक्षित पदार्थ क्लस्टरिंग, सीखे हुए एंड-मेम्बर्स के साथ स्पेक्ट्रल हस्ताक्षर पूर्वानुमानों का उपयोग करके किया जाता है। इसके अलावा, सीखे हुए एंड-मेम्बर शब्दकोश को संशोधित करके, हम दृश्य संपादन के लिए लचीले पदार्थ-आधारित स्वरूप हेरफेर को सक्षम करते हैं। व्यापक प्रयोग मौजूदा विधियों की तुलना में बेहतर स्पेक्ट्रल पुनर्निर्माण और पदार्थ विभाजन प्रदर्शन प्रदर्शित करते हैं।
