该研究论文提出了一种名为 Du-NeRF 的双重神经辐射场方法，可同时实现高质量的几何重建和视角合成，大大改善了室内环境下的新视角合成和三维重建性能，并对不服从多视角颜色一致性的细几何构造尤为有效。

Jan, 2024

本文提出了一种混合辐射场表示方法，用于无界沉浸式光场重建，支持高质量渲染和激进的视点外推。主要思想是首先形式上将前景和背景分开，然后在训练过程中自适应地平衡对它们的学习。为了实现这一目标，我们将前景和背景表示为两个具有不同空间映射策略的辐射场。我们进一步提出了一种自适应采样策略和分割正则化器，以实现更清晰的分割和稳健的收敛。最后，我们贡献了一种新颖的沉浸式光场数据集，名为 THUImmersive，与现有数据集相比，具有实现更大空间 6DoF 沉浸式渲染效果的潜力，通过捕获同一场景的多个相邻视点，以刺激沉浸式光场领域的研究和增强现实 / 虚拟现实应用。广泛的实验证明了我们的方法在无界沉浸式光场重建方面的强大性能。

Sep, 2023

该论文提出了一种通过神经融合权重场和骨骼驱动变形的方法，从多视角视频中重建可动画的人体模型，相较于现有的人体合成方法，该方法具有显著优势。

May, 2021

本研究提出了一种新的多视角摄影技术和动态神经放射场方法，可用于高保真度地重建人类头部，并从任意时间步长的新视角合成再渲染，并在实验中表现出优异的性能。

May, 2023

本研究提出了一种基于卷积神经辐射场的方法来解决现有方法中存在的问题，在新颖视角综合方面取得了显著的结果。

Jul, 2023

使用动态神经辐射场模型重新构建并生成能够通过单目输入数据学习的场景表示，结合场景表示网络和低维可变形模型进行虚拟场景生成。

Dec, 2020

从由摄像头和扫描器捕捉的 RGB 图像和激光雷达扫描序列中，使用我们的扩展方法，生成具有深度信息的 3D 表面，以及合成新颖的 RGB 图像。

Nov, 2021

本文提出了一个新的框架，用于从野外视频中重建人体和场景，并在单个视频上提供新的人体姿势和视角渲染的方法。通过训练两个 NeRF 模型（human 和 scene），并依赖现有方法估计人体和场景的大致几何形状，可以从观察空间创建到无关姿态的规范空间的偏移场，进而在规范空间中训练人体模型。我们的方法能够从仅 10 秒的视频剪辑中学习特定主题的细节，包括服装褶皱和配件，并提供在新视角和新姿势下人体的高质量渲染和背景。

Mar, 2022

使用深度学习技术，提出了一种名为 GNR 的通用神经演员框架，通过压缩轻场数据来从几何和外观方面生成新颖的视角下的人体影像，并在多视角摄像机下构建的数据集 GeneBody-1.0 上证明了其鲁棒性和通用性。

Apr, 2022

本研究提出了一种从稀疏的多视角 RGB 视频中重建可控的隐式 3D 人体模型的新方法，使用网格表面点和身体网格的符号距离来定义神经场景表示，并通过改进的顶点法线的重心插值将点投影到网格表面上，实现了更高质量的新视角和新姿势合成，同时支持容易控制的身体形状和服装。

Jan, 2022