我们提出了一种新颖的三维物体中心表示学习框架，通过单一图像无监督地将复杂场景有效地分解为单个对象。该方法被称为有目标引导的体积物体辐射场（sVORF），它利用对象槽作为引导来组成体积物体辐射场，并在三维位置处使用对象槽引导对象辐射场的合成。此外，由于训练期间像素渲染的小尺寸，sVORF 显著降低了内存要求。我们通过在复杂合成数据集（如 Room-Diverse）的场景分解和生成任务中展示出最佳结果，证明了我们方法的有效性。此外，我们还验证了 sVORF 在现实世界场景（如 LLFF 数据集）中分割对象的潜力。我们希望我们的方法可以对物理世界提供初步的理解，并帮助简化未来在三维物体中心表示学习领域的研究。

Jan, 2024

ObSuRF 为将场景单张图像转化为一组 Neural Radiance Fields (NeRFs) 三维模型的方法，可用于多视角的 CLEVR 以及将场景 populate 为 ShapeNet 模型的数据集中，在不需要监督的情况下实现了对场景中的物体进行分割，并且在三个二维图像分割基准测试中表现出与现有技术相同或更好的效果。

Apr, 2021

本论文提出了 SceneRF 方法，采用自监督单目场景重建方法，只用图像序列进行训练，优化辐射场，生成新的深度视图，并成功应用于室内 BundleFusion 和室外 SemanticKITTI 的场景重建中，超越了最近的基线

Dec, 2022

我们研究了从单一图像中推断 3D 物体中心场景表示的方法，并通过分开建模内外在属性来改善现有的无监督学习方法的局限性，使其能够从稀疏的现实世界图像中无监督地学习高保真的物体中心场景表示。

Feb, 2024

本文提出了一种基于光场的物体中心化组合场景表示法，通过无监督的方式学习神经场景表示，显著提高了场景渲染的速度和质量。

May, 2022

提出一种基于神经辐射场和基于对象的神经散射函数的方法，能够在不重新训练的情况下，对静态及动态场景进行光线追踪模拟，拥有在新光照和新物品排列情况下泛化能力的物理准确的多物体场景组成渲染技术。

Dec, 2020

通过使用语义信息并在少量的图片上建立 occlusion filtering module，我们提出了一个学习框架来重建神经场景表征并演示了其在 Phototourism 数据集上在 few-shot 场景下优于最先进的 novel view synthesis 方法。

Mar, 2023

本研究提出了 LaTeRF 方法，通过引入 “对象性” 概率，扩展 NeRF 公式，结合自然语言描述、点标签等信息从场景中提取出感兴趣的物体，并结合预训练的 CLIP 模型和可微分对象渲染器来修复物体的遮挡部分。实验结果表明该方法在合成和真实数据集上均能实现高保真物体提取。

Jul, 2022

本研究利用迄今为止最新的神经辐射场技术，通过引入物体场组件从 2D 视野中学习 3D 空间中所有个体物体的独特代码，并引入反向查询算法以自由地操作学习场景表示中特定的 3D 物体形状，进而解决物体碰撞和视觉遮挡等关键问题，能够准确地从 2D 视野中分解和操作 3D 场景的研究方法被称为 DM-NeRF。

Aug, 2022

本论文提出了一个统一的神经辐射场（NeRF）框架，以有效地进行场景分解和合成，用于建模现实世界场景，通过学习不同对象的解耦 3D 表示进行场景编辑，同时为新颖视角合成建模整个场景表示。

Aug, 2023