该研究提出了一种基于神经辐射场（NeRF）技术的生成全息图的新方法。使用深度神经网络在合理的时间内构建了从 2D 图像生成的 3D 光场的渲染流程，包括 NeRF、深度预测器和全息图生成器，而不需要任何物理计算。通过该流程，可以计算从任意方向观看的 3D 场景的预测全息图。研究还展示了仿真和实验结果。

Mar, 2024

提出了一种基于神经建模的非直视成像框架，采用多层感知器（MLP）来表示神经瞬态场（NeTF），并引入 Monte Carlo 技术来提高重建的鲁棒性和细节保留。实验结果表明，该方法在合成和实际数据集上提供了更高质量的重建并保留了先前方法中缺失的细节。

Jan, 2021

从预先获取的单眼胃镜图像中，构建胃内任意新视角图像合成是胃部诊断中一个有前途的课题。本文应用新兴的神经辐射场技术（NeRF）将单眼胃镜数据转化为合成逼真图像，通过引入几何先验提高了图像渲染质量，在胃内展示了高保真度的新视角图像。

May, 2024

逆问题中，我们试图从二维投影图像测量中重构场景的三维折射场，为此我们引入了一种使用基于坐标的神经网络对场景中的连续折射场进行建模的方法，并通过分析合成方法优化该网络的参数，以实现对折射场的重建。

Sep, 2023

提供一个关键的可视，两个维度的视图，突破 0-D 静态场景，为了生成新的观察。

Oct, 2023

使用飞秒激光雷达捕获的飞行时间数据结合两次光线反射路径模型与 NeRF，可以在无需先验数据、控制环境光照或场景反射率的情况下，重构可见和遮挡几何物体，同时改善传感器空间和时间分辨率的实际限制。

Dec, 2023

利用 NeRFs 的最新进展，我们提出了一种计算超光谱 3D 重建的方法，其中空间中的每个点和视角都以波长相关辐射和透射光谱为特征。通过对近 2000 个超光谱图像进行对比和消融测试，我们证明了超光谱 NeRF 的潜力，包括超分辨率和成像传感器模拟。我们展示了超光谱 NeRF 方法可以快速、准确地创建体积化的 3D 超光谱场景，并为未来研究提供了几个新的应用和领域。

Mar, 2024

利用单视图图像下不同点光源捕捉来学习神经场景表示，利用阴影和明暗等单目线索推断场景几何，并学习神经反射场，用于代表场景 3D 几何和 BRDF。实验表明，该方法能够从单视图图像中恢复场景的 3D 几何，包括可见和不可见部分，适用于新视角合成和再照明等应用。

Oct, 2022

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

本文提出了一种使用单光子激光雷达系统测量的时间分辨光子计数直方图来渲染瞬态 NeRFs 的新方法，并且通过少量输入视点的训练，相较于基于点云监督的方法能够更好地恢复几何和传统外观。瞬态 NeRFs 对于在自动驾驶、机器人技术和遥感领域中模拟原始激光雷达测量的下游任务特别有用。

Jul, 2023