HDR-NeRF：高动态范围神经辐射场
本文介绍了一种叫做 RawNeRF 的技术，它可以直接从线性原始图像中进行训练，生成高动态范围的新视角合成图像，重构低光照条件下极其嘈杂的原始图像所代表的场景。
Nov, 2021
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
提出了名为 HDR-HexPlane 的动态 HDR NeRF 框架，可以从具有不同曝光的动态 2D 图像中学习 3D 场景，使用可学习的曝光映射函数和相机响应函数，可以在任意时间点生成具有所需曝光的高质量新视图图像。
Jan, 2024
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
本文提出了 HDR-Plenoxels，一种用于重建高动态范围 3D 辐射场的体素化方法，并且通过模拟数字相机成像管道，能够从仅有的 LDR 图像中渲染出高质量 HDR 图像，实验结果表明 HDR-Plenoxels 适用于各种不同摄像机的场景。
Aug, 2022
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
本文提出了一种基于动态神经辐射场的算法，通过表面的位置和朝向在观测空间中进行条件化，像素的渲染基于不同姿态下的表面反射的颜色来实现遮挡的效果，有效地改善了单目 RGB 视频中移动高光物体的重建质量。
Mar, 2023
该论文主要研究使用神经辐射场（NeRF）方法对合成和真实场景进行 3D 重建，包括利用多分辨率哈希编码等技术在静态和动态场景重建方面的研究。其中，还着重探讨了神经辐射场（D-NeRF）对动态场景重建的应用，并成功将其推广至真实世界动态场景。
Oct, 2022
Neural Radiance Field (NeRF) is a framework representing a 3D scene with MLP, achieving state-of-the-art photorealistic image renderings for view synthesis and expanding capabilities to generate views from dynamic scene representations with fewer images for training.
Apr, 2023