通过采用一种基于网格的更密集的点描述符光栅化方法，以及前景 / 背景场景渲染分离和改进的损失函数，我们在单个场景上进行训练而不是在 ScanNet 上进行训练并进行场景微调的 NPBG 的情况下实现了数据高效学习和快速视图合成，并且表现优于 NPBG 和与 SVS 竞争，尽管 SVS 具有更深的神经渲染基准。

Aug, 2022

我们介绍了一种新的方法，用于无界现实世界场景的重建和新视角合成。与以前使用体积场、基于网格的模型或离散点云代理的方法不同，我们提出了一种混合场景表示，它在连续的八叉树概率场和多分辨率哈希网格中隐式编码点云。通过这样做，我们结合了两个世界的优势，通过保留优化过程中的有利行为：我们的新颖隐式点云表示和可微分双线性光栅化器可以实现快速渲染，同时保持细节几何细节而不依赖于像运动点云那样的初始先验知识。我们的方法在几个常见基准数据集上实现了最先进的图像质量。此外，我们以交互帧率实现了快速推断，并可以提取显式点云以进一步提高性能。

Mar, 2024

本研究通过对旅游地标的网络照片进行传统 3D 重建，将场景逼近为一个点云，并在每张照片上进行重新渲染。使用神经网络学习初始渲染到实际照片的映射，还考虑到短暂物体的位置以进行场景修正。通过多个公共数据集的评估，展示了场景外观和语义标签的真实操作。与之前的场景重建工作进行了比较。

Apr, 2019

本研究提出了一种新的深度学习点云渲染管道，通过多平面投影将点云特征投射到摄像机视锥体的分层体积中，然后通过卷积神经网络产生多层图像，并根据学习到的权重混合图像，最终实现对具有挑战的场景进行更稳定的渲染。

Dec, 2019

本文提出了一种名为 NPBG++ 的系统用于新视角合成任务，通过使用多视角观测和静态场景的点云预测每个点的神经描述符，从而在低场景拟合时间的情况下实现高渲染逼真度，且不需要每场景优化的要求，从而在多方面优于神经点图形管道。

Mar, 2022

介绍了一种基于多视角渲染的新型的神经渲染方法，该方法可以进一步优化场景属性，包括深度和重投影特征，从而实现改善的新视图合成。

Sep, 2021

本文提出了一种新的方法，将点云渲染成表面，该方法可微并且不需要特定于场景的优化，可以用于表面法线估计、渲染全局点云、反向渲染和光线跟踪。通过直接推断给定点云所代表的底层表面与光线的交点，通过训练一个集合转换器可以将局部邻居点与光线的交点、表面法线和材料混合权重结合起来，使用 48 个网格进行模型训练，可应用于未见过的点云上，实现了比现有表面重建和点云渲染方法更高的估计精度。

Apr, 2023

经深入分析 Neural Point-based Graphics (NPBG) 方法在通用数据集上无法实现令人满意的渲染效果，本研究提出了 Robust Point-based Graphics (RPBG) 方法，通过启发图像修复方法，大大增强了神经渲染器的能力，使其能够根据点的可见性进行修正，并补全不完整的光栅化，同时，通过简单轻量的环境建模和迭代方法，缓解了几何问题。经过对不同拍摄条件和摄像机轨迹的广泛评估，RPBG 在性能上明显优于基线方法，并展现了其对最新的 NeRF-based 变体的强大鲁棒性。

May, 2024

提出一种将神经点表示和神经体渲染结合的方法，使用高分辨率 UV 位移贴图约束神经点来实现更准确的表情控制，通过使用 GEP 射线采样策略和轻量级辐射解码过程，提高了渲染和训练效率。在 Multiface 数据集上通过实验验证了该方法的有效性。

Jul, 2023

该研究论文介绍了一种从单目视频中进行动态新视图合成的新方法，通过将场景表示为动态神经点云，利用数据驱动的先验信息和快速可微分光栅化器和神经渲染网络，实现高质量的合成图像。

Jun, 2024