本文介绍了一种基于神经辐射场（NeRF）的方法，用于从单个 360 度 RGB-D 图像合成新景象，并利用 2D 图像生成模型，最大权重独立集问题和模拟退火等算法，以优化生成的图像。

Mar, 2022

本文提出了一个由单个全景图训练出的全景神经辐射场模型（PERF）用于 360 度全景图的新视角合成，其中采用了一种协作 RGBD 修复方法和逐步修复和删除的策略，实现了在复杂场景中的 3D 漫游。该方法在 Replica 数据集和 PERF-in-the-wild 数据集上进行了广泛实验证明了其优越性，并可广泛应用于全景图转 3D、文本转 3D 和 3D 场景风格化等实际应用中。

Oct, 2023

通过深度学习的全景深度估计和新视角渲染，本研究提出了 MSI-NeRF 方法，能够在虚拟现实应用中保留和利用原始鱼眼相机中的视差信息，实现全景的深度估计和六自由度视角合成。

Mar, 2024

稀疏低动态范围（LDR）全景图像中辐照度场的模型提高了几何恢复和高动态范围（HDR）重建的能力，并且在实验证明了其有效性。

Dec, 2023

本文介绍了一种称为 OmniLocalRF 的新方法，能够同时渲染仅静态场景视图、删除和修补动态对象。本方法使用局部辐射场原理和全向射线的双向优化原则，以全向视频作为输入，评估前一帧和当前帧之间的相互观察。为了减少动态对象的幽灵状伪影和修复遮挡，我们设计了一个多分辨率运动蒙版预测模块，通过多分辨率神经特征平面进行精确分割，特别适用于长 360 度视频。我们的实验证实了 OmniLocalRF 在定性和定量评估指标上优于现有方法，尤其是在复杂的真实场景中。特别是，我们的方法消除了手动交互的需求，例如手动绘制运动蒙版和其他姿态估计，因此是一个高效且高效的解决方案。

Mar, 2024

通过 NeRF 的方法来实现对于图像的 View Synthesis, 本文提到了 NeRF 的成功之处以及在应用于大规模无界三维场景中进行改进，使其在 360° 的拍摄模式下提高拍摄质量。

Oct, 2020

本研究针对虚拟现实中宽基线全景图像合成新视角仍是一个挑战这一问题，提出了一种全景泛化球面辐射场 (PanoGRF) 方法。经过实验验证，该方法在多个全景数据集上均表现出优秀的性能，超过当前视角综合方法。

Jun, 2023

使用一种称为 PanoDiff 的新型方法，通过使用一个或多个未注册的 Narrow Field-of-View (NFoV) 图像，高效地生成完整的 360° 全景图，该方法通过两个主要组件来克服以往方法中的局限性，包括两阶段的角度预测模块和一种基于潜在扩散的全景生成模型，实验表明 PanoDiff 实现了最先进的全景生成质量和高可控性，适用于内容编辑等应用。

Aug, 2023

本文提出了一种名为 ENeRF 的场景表示，用于快速创建交互式自由视点视频，并实现了深度预测和辐射场网络的联合学习，通过针对场景表面附近的点进行采样，从而显著提高了渲染速度。在多个基准测试中进行实验，结果表明我们的方法在表现上具有竞争力，同时比先前的泛化辐射场方法快至少 60 倍。

Dec, 2021

通过提出称为 Omni-Recon 的框架，我们的工作旨在开发一个通用的 NeRF 来处理各种 3D 任务，其中关键见解是基于图像的渲染管道可以将 2D 图像特征提升到 3D 领域，从而在一种通用化的方式下扩展广泛研究的 2D 任务到 3D 世界。

Mar, 2024