该研究提出一种新的方法，利用极线几何法提取采样自场景的块，将其通过一系列变换器进行预处理后预测目标采样射线的颜色，从而在不需要深度特征和 NeRF-like 卷积体积渲染的情况下，实现对未见过的场景的新视图综合，其具有更好的泛化性能，并且即使使用比以前工作少得多的数据进行训练，也能胜过现有技术水平。

Jul, 2022

本文提出了一种名为 Cross-Ray NeRF 的方法，通过利用交互信息合成视野，在处理过场景图像时能有效地减少遮挡和幽灵物体等问题。

Jul, 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

提出了一种名为 Torch-NeRF 的新方法，通过扩大光线感知领域和构建样本点交互来提高神经辐射场在复杂场景中的重建性能。

Apr, 2024

应用可微辐射场重建图像中的细节、平衡渲染和几何重建两个目标以生成准确而详细的三维表面。

Jun, 2024

该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的 3D 表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

Dec, 2020

提出了一种新型的泛化神经辐射场（NeRF）范式，通过基于点而非基于图像的渲染构建了可泛化的神经场，称之为可泛化神经点场（GPF）。该模型通过显式建模可见性并将其与神经特征相结合，提出了一种非均匀取样策略以提高渲染速度和重构质量，并利用特征增强的可学习内核在具有差异性几何结构的区域缓解形变。该研究表明，相比于其他方法和基准数据集，该模型在三个数据集上无论在泛化还是微调设置下，都能提供更好的几何形状、视角一致性和渲染质量，初步证明了该新范式在泛化 NeRF 中的潜力。

Jan, 2024

采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

Dec, 2021

本文提出了一种深度学习方法，用于复杂场景的新视角合成，通过将 3D 场景表示为光场，并采用两平面参数化的光场，用 4D 参数特征化光线，构建 4D 函数实现映射，最后采用全连接网络优化该函数并合成新视角，同时附加了 per-ray depth 预测，提高了光场渲染质量，实验表明本方法优于现有技术。

May, 2021

KeyNeRF 是一种在少样本情况下训练 NeRF 的简单而有效的方法，通过关注关键信息光线，首先通过一个视图选择算法在相机级别选择这样的光线，该算法在促进基线多样性的同时保证场景全面覆盖，然后通过基于局部图像熵的概率分布进行像素级的采样。我们的方法在与最先进的方法进行比较时表现出色，同时对现有的 NeRF 代码库的改动要求较小。

Dec, 2023