提出了一种名为 Sharp-NeRF 的基于网格的 NeRF 技术，可以在半小时的训练时间内从模糊的图像中生成干净和清晰的图像，通过精确建模场景的清晰度 / 模糊度，并计算像素的清晰度水平以学习空间变化的模糊核，实验证明与之前的方法相比，具有更快的训练时间，并能生成色彩鲜艳、细节丰富的清晰新视图。

Jan, 2024

提出了一种名为 Robust e-NeRF 的新方法，它可以在各种真实世界条件下直接且稳健地从移动事件相机中重建 NeRF，特别是从非均匀运动下生成的稀疏和嘈杂事件中。

Sep, 2023

通过简单高效的方法，在复杂的野外场景中从仅仅随意捕捉的图像序列中合成新视角，去除干扰物以及极大地提高收敛速度，从而显著改进了现有技术，为 NeRF 在各种多样化的动态现实应用中开辟了新的研究方向。

May, 2024

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

本文提出了一种新的街景神经辐射场模型（S-NeRF），它考虑了大规模背景场景和前景移动车辆的新视角合成，通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题，并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。我们的 S-NeRF 模型在各种大规模驾驶数据集上的实验证明了它优于现有最先进方法在街景合成中减少了 7％至 40％的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％的增益。

Mar, 2023

提出了 Deblur-NeRF 方法，采用分析合成方法重建模糊视图，通过 Deformable Sparse Kernel 模块对空间可变模糊核进行建模，共同优化 NeRF 和 DSK 模块，从而恢复锐利的 NeRF。

Nov, 2021

本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

Jun, 2023

本文研究了在低光照条件下使用 burst-capture 拍摄策略，使用基于循环卷积神经网络的智能集成方式进行多帧图像去噪处理。经实验证明，该方法在图像去噪方面具有最优表现，并且也可以用于图像增强和超分辨率处理。

Dec, 2017

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