DecentNeRF 是第一次尝试的去中心化、众包的神经辐射场（NeRFs），与集中式方法相比，它在训练过程中减少了服务器计算成本，并通过将用户的 3D 视图分解为个人和全局 NeRFs 以及一种新颖的最优加权聚合，实现学习具有照片级真实感的场景表示。它在结构化合成和真实世界照片旅游数据集上验证了我们的方法学习 NeRFs 具有照片级真实感和最小的服务器计算成本，并进一步分析了 DecentNeRF 中全局 NeRFs 的安全聚合如何最小化服务器对个人内容的不良重建。

Mar, 2024

本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

Apr, 2023

通过将场景自适应地细分为轴对齐的包围盒，并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间，该论文提出了一种有效的适应性多 NeRF 方法，以加速针对复杂场景的神经渲染过程，以实现对特定场景部分的精细神经表示。

Oct, 2023

本文提出通过蒸馏出自监督的 2D 图像特征提取器的知识，优化一种针对 NeRF 的 3D 特征场，从而实现语义场景分解以及针对局部区域的查询式编辑，从而实现结构编辑的目的。通过实验证明，3D 特征场可以将最近在 2D 视觉和语言基础模型中取得的进展应用于 3D 场景表示，从而实现令人信服的 3D 分割和选择性编辑。

May, 2022

提供了一个快速重建、紧凑建模和可流式渲染的高效框架 NeRFPlayer，适用于用单个 RGB 摄像头捕捉的动态场景，同时使用神经场来表示和规范化三个分类：静态、变形和新领域。

Oct, 2022

本文提出了一种 Federated Learning 算法，利用低秩分解技术实现了多计算节点之间共同学习 NeRF，同时解决了数据集隐私的问题。

May, 2023

本论文提出了一个统一的神经辐射场（NeRF）框架，以有效地进行场景分解和合成，用于建模现实世界场景，通过学习不同对象的解耦 3D 表示进行场景编辑，同时为新颖视角合成建模整个场景表示。

Aug, 2023

本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

Nov, 2020

通过将自编码器与 NeRF 相结合，我们提出了一种潜空间 NeRF，可以在渲染速度提高三倍的同时减少视觉伪影，从而产生更高质量的新视图，可用于实现高效且高保真的 3D 场景表示，特别适用于需要保持可微性的机器人学场景。

Oct, 2023

本研究利用迄今为止最新的神经辐射场技术，通过引入物体场组件从 2D 视野中学习 3D 空间中所有个体物体的独特代码，并引入反向查询算法以自由地操作学习场景表示中特定的 3D 物体形状，进而解决物体碰撞和视觉遮挡等关键问题，能够准确地从 2D 视野中分解和操作 3D 场景的研究方法被称为 DM-NeRF。

Aug, 2022