该论文提出了一种新的非刚性动态场景重建和新视角合成方法 ——NR-NeRF，该方法能够使用一个便携式消费级相机拍摄到的动态场景的 RGB 图像创建高质量的时空几何和外观表示，并且可以生成复杂的渲染场景。

Dec, 2020

描述了一种基于神经辐射场的方法，通过优化连续的体形变场使移动设备拍摄的照片 / 视频重建变形场景，旨在生成高度逼真的渲染图像。实验表明，该方法可使用手机拍摄的自拍照片 / 视频转换成可变形的 NeRF 模型，并在任意视点产生高保真度的视图。

Nov, 2020

本文提出了一种基于神经辐射场（NeRF）的两阶段流程，通过标准化具有不同光照和阴影条件的图像来改善相机重定位，并在基于哈希编码的 NeRF 上实现场景表示，进一步利用重新设计的截断动态低通滤波器（TDLF）和数值梯度平均技术来解决网格化 NeRF 中的噪声图像梯度计算问题，实验证明我们的方法在不同光照条件下的相机重定位取得了最先进的结果。

May, 2024

本文提出 NeRF-- 用于学习相机内参和位姿，在各种相机运动情况下实现了准确的相机参数估计，并且在合成数据集 BLEFF 上实现了可比较的新视角渲染质量，为 2D 图像生成 3D 场景的任务提供了新思路。

Feb, 2021

提出了一种名为 SE-NeRF 的自我进化神经辐射场框架，通过在教师 - 学生框架中将 few-shot NeRF 转化为，将由教师生成的附加伪标签训练学生，通过使用可靠性估计方法提取射线级伪标签，使得 NeRF 能够学习更准确、更强健的三维场景几何，并展示与评估了将该自我训练框架应用于现有模型时改进了渲染图像的质量并在多种环境中实现了最先进的性能。

Dec, 2023

我们提出了一种新的通用方法，用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型，我们能够实现对场景进行 3D 形状估算、阴影检测和透明物体过滤，而不需要任何显式形状监督。

Apr, 2021

UC-NeRF 是一种专门针对欠校准多视角摄像系统的新视角合成方法，通过图层级颜色校正、虚拟畸变、时空约束的位姿细化等技术实现了在多摄像头环境下的优秀新视角合成和大规模室外场景的深度估计。

Nov, 2023

本文提出一种新的框架来规范化在几个样本（few-shot）设置中的神经辐射场（NeRF），通过几何感知一致性正则化。该方法利用了未观察视角的渲染深度图来将稀疏的输入图像变形到未观察视角并将其作为伪地面实现 NeRF 的学习，从而在特征层面而非像素级重建损失上鼓励这种几何感知的一致性，实现 NeRF 在语义和结构层面上的规范化，同时允许建模视角依赖性辐射以考虑不同视角的颜色变化。同时，本文提出一种有效的方法来筛除错误变形的解，以及稳定训练优化的训练策略。我们展示了本文提出的模型与现有最先进的几个样本设置下的 NeRF 模型相比具有竞争优势。

Jan, 2023

通过修改光线投射模型以利用透镜光学，我们提出了一种改进的模型，并且能够更好地匹配实际摄像机的虚焦模糊行为，特别是在部分遮挡的情况下，从而实现更锐利的重建，将全焦点图像的峰值信噪比在合成和真实数据集上提高了最多 3 dB。

Jun, 2024

IL-NeRF 是一种用于增量训练 NeRF 的新框架，通过选择过去的摄像机姿态作为参考点，初始化和对齐传入图像数据的摄像机姿态，然后进行联合优化摄像机姿态和基于回放的 NeRF 知识蒸馏，实现了更高的渲染质量。

Dec, 2023