神经辐射场（NERFS）增加了新型视图合成和场景重建的重建细节，其应用程序从大型静态场景到动态人类运动不等。但是，此类神经领域的分辨率和无模型性质的增加是以高训练时间和过度记忆要求为代价的。最近的进步通过使用互补的数据结构改善了推理时间，但这些方法不适合动态场景，并且通常会增加记忆消耗。减少培训时所需的资源几乎没有做到。我们提出了一种方法，通过部分共享相邻样本点的评估来利用NERF基于样本的计算的冗余。我们的UNERF体系结构的灵感来自UNET，该架构在网络中间减少空间分辨率，并在相邻样本之间共享信息。尽管这种变化违反了NERF方法中的严格和有意识的依赖性外观和无关的密度估计的分离，但我们表明它改善了新型观点的综合。我们还引入了一种替代性亚采样策略，该策略共享计算，同时最大程度地减少视图不变性的侵犯。 UNERF是原始NERF网络的插件模块。我们的主要贡献包括减少记忆足迹，提高准确性以及在训练和推理期间摊销的处理时间减少。在当地的假设较弱的情况下，我们在各种神经辐射场任务上实现了改进的资源利用。我们演示了对静态场景的新观点综合以及动态人类形状和运动的应用。