本文提出了一种基于监督深度学习的最佳视角规划方案，该方案包括自动生成数据集的算法和原始三维卷积神经网络 (3D-CNN)，用于学习下一个最佳视角，并与类似网络进行了比较，并进行了多个实验验证了该方案的有效性，以实现对不知名对象的重建。

May, 2019

本文提出了一种基于卷积神经网络的数据驱动方法来解决 3D 物体重建中的下一个最佳视角问题，验证实验表明，该方法在预测下一个最佳视角、提高物体重建覆盖率和提高运算速度等方面，都有很高的性能表现。

Jan, 2021

本文提出了一种端到端的新视角合成框架，包括构建目标视角下的体积以及设计源视角的可见性估计模块和软射线投影机制，最终在端到端的自监督训练方式下，相较于现有方法提高了新视角的合成质量。

Mar, 2021

本论文主要探讨基于学习的单个或有限 2D 图像的新视角合成，提出了一个端到端可训练的条件变分框架，通过空间相关模块从外观描述图像中提取全局的 3D 表示形状、纹理和以观察者为中心的坐标系原点等，实现无需显式 3D 重建即可隐含 3D 理解。

Jul, 2020

介绍了一种基于自监督学习的方法，使用透视空间变换器来实现高效的无监督视角学习，从而实现在三维世界中理解物体的探索。

Dec, 2022

通过机器学习和图像处理实现无人机的三维重建和监测，其中视角规划是其关键部分，该研究提出了一种基于 Bag-of-Views 的模型，用于评估捕获视角的效用。

Jul, 2023

本文提出了一种从单个 RGBD 输入合成新视角图像的方法，通过利用 RGBD 图像中嵌入的深度信息，将 NVS 任务转换成图像转换问题，并使用生成对抗网络实现类似于从新视角拍摄的照片的结果，而不受传统多图像技术的限制。

Nov, 2023

论文通过演示在最广泛的 NeRF 数据集中对测试视图进行简单旋转可以导致现有先进技术的性能排名发生重大偏移，阐明了视图选择的重要性。为了解决这一挑战，作者提出了一个统一的视图选择方法框架，并设计了全面的评估标准来评估其影响。通过集中关注重建对象的均匀视图覆盖，无需利用误差或不确定性估计，可以实现显著的改进，从而实现快速获得高质量的渲染效果。通过在合成数据集和现实数据上进行广泛实验，与随机选择、传统基于误差的选择和基于不确定性引导的选择相比，证明了所提方法的有效性。

Jun, 2024

这篇研究提出了一种名为 Free3D 的简单方法，用于通过单张图像进行开放集合的新视角合成。使用编码目标相机姿势的新的像素级射线调节归一化（RCN）层，改进了目标相机姿势的建模。同时通过轻量级多视图注意力层和多视图噪声共享提高了多视图一致性。我们在 Objaverse 数据集上训练了 Free3D，并在几个新数据集中展示了其卓越的泛化性能。希望我们的简单而有效的方法能够作为一个坚实的基准，并有助于未来关于新视角合成更精确的研究。

Dec, 2023

本文提出了一个自监督学习的方法，通过深度引导的调整过程，利用变换自编码器的网络结构，在只有 2D 图像和相关视角变换的情况下精确合成高质量的 3D 对象或场景的新视角，并实现了细粒度和精密的六自由度视角控制。通过在合成和真实场景以及精细和固定视角设置下的彻底评估，证明了该方法的广泛适用性。

Jan, 2019