本文提出了 D-NeRF 方法，将神经辐射场扩展到动态领域，允许从单个相机围绕场景重建和渲染对象的新图像。通过将时间作为系统的额外输入，并将学习过程分为两个主要阶段，可以同时学习两个映射，实现控制相机视图和时间变量以及物体移动的目的。

Nov, 2020

该研究提出了NeRFReN，它是基于NeRF的，能够建模带有反射的场景，并将场景分为透射和反射组件，用单独的神经辐射场来建模两个组件，以实现高质量的新视图综合和深度估计结果。

Nov, 2021

本文提出了一种利用深度先验来优化神经光辐射场模型的新方法，可在使用尽可能少的输入图像进行室内场景的数据有效的新视角合成中实现高保真度。

Dec, 2021

本研究提出了一种名为Aug-NeRF的增强型神经辐射场模型，它利用鲁棒的数据增强技术来加强NeRF的训练，从而提高其在新视角合成和几何重建方面的表现，并且可以从严重受损的图像中恢复场景。

Jul, 2022

使用增强模型和深度监督训练的前馈神经光辐射场模型能在少量视角下实现最新的视图合成表现。

Sep, 2023

通过 Re-Nerfing 方法，我们在 Neural Radiance Fields 的基础上使用多阶段的方法增加场景的覆盖范围，提高新视角的几何一致性，并通过新合成的图像实现结构和极线约束的优化，对 mip-NeRF 360 数据集进行的实验证明了 Re-Nerfing 的有效性。

Dec, 2023

通过将输入视图按照其视觉相似性划分为多个组，并在每个组上训练单独的模型，然后通过教师-学生蒸馏范式将这些专门模型的知识聚合为一个实体，我们重新设计了NeRF的训练范式，提高了其渲染质量并实现了空间效率。

Jan, 2024

通过使用经过预训练的扩散模型预测深度并在去噪过程中捕捉不确定性，本研究在NeRF监督中提出了一种新的不确定性深度先验方法，通过地球移动距离监督射线终止距离分布，忽略了精确复制深度先验的L2损失，并在光度测量上维持性能的同时，在标准深度指标上优于所有基准线。

Mar, 2024

通过设计较为简化的能力增强模型，我们观察到较好的深度监督效果，进而提高稀疏视图下的主要辐射场的视图合成性能。

Apr, 2024

通过添加深度和法线的稠密完成先验方法，我们提出了一种用于NeRF的Depth and Normal Dense Completion Priors (CP_NeRF)框架，该框架能够改善视图渲染的准确性，并在渲染NeRF的法线输出时综合了光学中心位置嵌入器和法线匹配技术，以提供更准确的模型监督。

Jul, 2024