研究人员还对图像拟合进行了一个更直接的比较，在一组训练期间未被网络看到的图像上进行测试。在从FFHQ数据集中抽取了200张图像后，使用在CelebA图像上训练的模型进行重建，在量化指标上仍然有优势。
为了评估模型学习到的三维结构的准确性，研究人员对合成的新视图（synthesized novel views）进行图像重建实验。通过对来自人类多视图行为图像（HUMBI）数据集的单帧进行图像拟合，并使用相同人物的其他ground truth视图的相机参数重建图像。
实验结果显示，对于比较模型π-GAN来说，LOLNeRF模型从新的视图中实现了明显更好的重建，也表明该方法确实比π-GAN学到了更好的三维形状空间，也就是说模型可以泛化到未见数据的形状空间，而不仅仅是从查询视图中再现查询图像。
参考资料：
https://ai.googleblog.com/2022/09/lolnerf-learn-from-one-look.html
