本文提出一种基于广义 NeRF、PlenOctree 表示、体积融合和 Fourier 变换的 Fourier PlenOctree 技术，能够高效地对动态场景进行神经建模和实时渲染，实现超过 SOTA 的渲染加速。

Feb, 2022

提出了一种动态的 PlenOctree DOT 方法，通过自适应细化采样分布来适应不断变化的场景复杂度，并通过层次化特征融合策略提高了视觉质量，减少了参数数量并提供了更高的帧率。

Jul, 2023

通过对动态模型中的压缩引入的伪影进行深入分析，并利用所得的见解提出一种改进的表示方法，特别是提出了一种根据基于 Fourier 的压缩来适应底层体渲染过程的传递函数特征的新密度编码，从而显著减少动态模型中的伪影。此外，通过对训练数据的扩充来放松压缩的周期性假设。在合成和真实场景的定量和定性评估范围内展示了增强的 Fourier PlenOctrees 的有效性。

Oct, 2023

该论文介绍了一个名为 UE4-NeRF 的神经渲染系统，专门用于实时渲染大规模场景，并通过将场景分区并进行顶点优化、与 UE4 的光栅化流水线相结合等方法，实现了在 4K 分辨率下以每秒 43 帧的帧率进行实时渲染，并获得了与最先进方法相媲美的渲染质量。

Oct, 2023

使用基于八叉树的高质量光源表达方法及神经辐射场技术，以简化的代理几何以及专门的损失函数为多光源的复杂场景提供渲染加速，并将其蒸馏为 Plenoctree 以快速集成到传统渲染系统。

Jul, 2022

文章提出了 FastNeRF 方法，通过图形学中的因式分解实现深度辐射图的高效缓存和查询，可在高端消费者 GPU 上以 200Hz 的速率呈现高保真度的照片般逼真的图像，比原始 NeRF 算法快 3000 倍，同时保持视觉质量和可扩展性。

Mar, 2021

通过引入八叉树结构以不同比例表示场景，将传统的基于网格的细节层次技术扩展到神经辐射场，提供了数学简洁、优雅的表示，同时保持渲染空间复杂度为 O (log n)。同时，我们提出了一种新的训练策略，保证了方法的可扩展性和效率，既扩展了现有技术的能力，又为使用 NeRF 和八叉树结构进行可扩展、高效的大规模场景表示奠定了基础。

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

该论文介绍了一种新的基于神经网络点云的辐射场模型 ——Point-NeRF，它结合了 NeRF 和深度多视图立体成像两种方法的优点，可用于高质量的视图合成和快速的场景几何重建。Point-NeRF 可以通过射线行走的渲染管道有效地渲染神经点特征，相对于 NeRF 具有快速训练和处理 3D 重建错误和异常数据的优势。

Jan, 2022

该论文提出了一种名为 Sparse Neural Radiance Grid 的新方法，它使用学习的稀疏体素网格表示，通过对神经辐射场（Neural Radiance Fields）进行预处理和存储（烘焙）来实现实时渲染。通过该方法，可以在以往的基础上保留了 NeRF 渲染精细几何细节和视图相关外观的能力，实现在普通硬件上进行实时渲染。

Mar, 2021