利用 Flow-GAN 提出了一种无独立性假设的概率神经辐射场模型，通过结合对抗学习的生成能力和正则化流的强大表达能力，显式地建模整个场景的密度 - 辐射分布，实现了最先进的性能，并在合成和真实数据集上预测更低的渲染误差和更可靠的不确定性。

Sep, 2023

采用生成对抗网络对神经辐射场（NeRF）进行优化，修复 3D 场景重建中存在的照明、采样等问题，从而实现更高质量的渲染。

Jun, 2023

本文提出采用扩散模型生成编码在规则网格上的神经辐射场，并展示了该模型在实现逼真 NeRFs 的同时，能够根据观察结果进行条件生成。

Apr, 2023

本文提出了一种基于全连接神经元的新型 MRF 模型，将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起，通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示，实现了高效的学习和在各种低级视觉任务中的卓越表现。

Sep, 2016

Neural Radiance Fields（NeRFs）能够用稀疏的 2D 观测数据学习合成高质量图像，实现逼真的互动场景重建。然而，本文展示了使用低强度的对抗攻击和对抗补丁对具有通用性的 NeRFs 进行攻击，并演示了生成特定预定义输出场景的有针对性攻击。

Oct, 2023

SIGNeRF 是一种快速和可控的 NeRF 场景编辑和场景整合对象生成的新方法，通过图像扩散模型的深度条件机制，在一次迭代中基于参考图像集合对原始 NeRF 进行更新和改进，从而实现三维一致性视图生成。

Jan, 2024

提出了一种新颖的模型 C^3G-NeRF，可以合成具有条件操纵的照片逼真，三维一致图像，在三个图像数据集上进行评估，并表现出强大的三维一致性和平滑的插值。

Jan, 2023

ZIGNeRF 是一种基于 Zero-shot GAN 反演和新颖的转换器进行图像生成的模型，其可以从单个输入图像生成多视图图像，分离对象与背景并实现 360 度旋转或深度和水平平移。

Jun, 2023

我们提出了一种学习生成神经场的新方法，它由隐式基网络的线性组合表示。我们的算法通过进行元学习或采用自动解码范式来学习隐式神经表示的基网络及其在潜在空间中的系数。该方法通过增加基网络的数量，同时保持小型推断网络的规模，从而轻松扩大生成神经场的容量，而通过加权模型平均来采样模型实例在延迟和内存占用方面高效。此外，我们还为目标任务定制了去噪扩散概率模型，以采样潜在混合系数，从而使我们的最终模型能够有效地生成看不见的数据。实验证明，我们的方法在图像、体素数据和 NeRF 场景的各种基准测试上取得了有竞争力的生成性能，而无需复杂的特定模态和领域设计。

Oct, 2023

利用间接扩散引导的 NeRF (ID-NeRF) 框架通过利用精炼的扩散先验指导从生成性的角度解决 Gen-NeRF 中的不确定性，避免了直接约束的混乱取样导致的模型混淆，并经过多个基准测试表明在处理稀疏输入的不确定性方面具有卓越的性能。

Feb, 2024