通过将输入数据编码到频率空间来增强神经网络性能，并引入基于梯度的损失在多个阶段使用，使得这种新型神经反射模型在处理高度光泽材料时能够更好地保留镜面高光并提高细节的保留效果。我们最后还使用 Inception 模块作为解码器网络的可选扩展，以获得更精确但成本更高的性能。我们通过使用各种合成和真实示例来证明我们方法的有效性。

Jul, 2023

使用连续值比特映射扩展 NeRF, 可以高效地渲染反锯齿锥体，提高了表现精细细节的能力，缩小了占用空间，降低了平均误差率

Mar, 2021

我们提出了一种材料外观建模神经网络，用于可视化根据多样的视角和光照条件，在只有一张材料的照片作为输入的情况下，对合理的、在空间上有变化的材料进行外观估计。我们的神经结构由两个网络阶段组成：一个网络从单个输入照片中推断材料的每一像素的学习到的神经参数，和一个利用这些神经参数渲染材料的网络，类似于 BRDF。我们在一组 312,165 个合成的空间变化范例上训练我们的模型。由于我们的方法推断学习到的神经参数而不是分析的 BRDF 参数，我们的方法能够将各向异性和全局照明（像素间的相互作用）信息编码为单个像素参数。我们通过与之前的工作进行性能比较来展示我们模型的表现，并通过将其实现到 Mitsuba3 渲染引擎中，证明了渲染网络作为 BRDF 的可行性。最后，我们简要讨论了神经参数编码全局照明信息的能力。

Jun, 2024

本研究提出了一种基于平面的场景表示方法 —— 神经平面专家混合模型（NeurMiPs），它利用一堆局部平面专家来表示 3D 空间的几何和外观，并且结合了神经辐射场渲染和显式网格渲染的优势，用于合成新视角的实验证明了它比其他三维表示方法在速度和性能上表现出更好的表现。

Apr, 2022

本文提出利用神经投影映射技术在增强现实应用中实现对投影仪的高分辨率自适应校准和照片级别的光线编辑。通过将虚拟投影纹理与场景参数全微分，可以优化得到所需的外观。此外，本文展示了在材料和场景重建等方面，较传统方法更好的性能。

Jun, 2023

本文介绍了一种名为 Mip-VoG 的新的多尺度渲染技术，采用四线性插值将 3D 场景中的位置映射到其特征和密度。相比传统的 NeRF 和 Mip-NeRF 方法，Mip-VoG 在同时提高多尺度训练和实时抗锯齿渲染方面具有更好的性能。

Apr, 2023

我们提出了一种新的 Tri-Mip 编码方法，实现了神经辐射场的即时重建和抗锯齿高保真渲染，通过三个正交 mipmap 将预滤波的 3D 特征空间进行因式分解，从而以高效的方式进行三维区域采样，提高渲染质量而不牺牲效率。

Jul, 2023

本文介绍了一种名为 mip-Grid 的方法，它将消除深度学习模型渲染过程中的锯齿状失真问题与快速训练相结合的网格表示技术，通过生成多尺度的网格并使用尺度感知坐标检索不同尺度的特征，大大提高了渲染性能和训练速度。

Feb, 2024

本篇论文提出一种新的神经压缩技术，旨在解决由纹理数据增加所引起的存储和内存需求问题；该方法可实现低比特率压缩，同时达到更好的图像质量，支持实时解压，具有与 GPU 上的块纹理压缩类似的随机存取性能，并使用自定义训练实现实际的压缩速度。

May, 2023

通过在不同空间网格分辨率上训练模型头部，我们对基于网格的模型进行简单修改，以实现容易的扩展，提高渲染质量和性能效率。

Nov, 2023