该论文介绍了 AutoNeRF，一种使用自主实体代理收集数据以训练 NeRF 的方法，研究比较了不同的探索策略，经验证明可以使用主动收集的数据来训练 NeRF，并且可以用于下游机器人任务，以及模块化训练探索模型显著优于经典基线。

Apr, 2023

IR-NeRF 通过引入隐式姿态正则化来改善对真实图像的姿态估计鲁棒性，实现了卓越的新视角合成，并在多个合成和真实数据集上持续优于现有技术。

Aug, 2023

本文介绍了一种使用神经放射场的全可微合成数据管道，可在不需要人力劳动的情况下按需生成数据，从而使得目标任务的准确性最大化。作者在合成和实际的物体检测任务中展示了方法的有效性，并引入了一个可用于真实场景中具有不同姿势的物体检测的新数据集和基准测试 (YCB-in-the-Wild)。

Jul, 2022

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

通过使用语义信息并在少量的图片上建立 occlusion filtering module，我们提出了一个学习框架来重建神经场景表征并演示了其在 Phototourism 数据集上在 few-shot 场景下优于最先进的 novel view synthesis 方法。

Mar, 2023

本文提出将新视角合成应用于机器人重定位问题，通过 NeRF 类算法所渲染的额外合成数据集，从内部表示的三维场景几何形态中选择虚拟相机位置，进一步改进了姿态回归器的定位精度，结果大幅降低了 Cambridge 地标和 7 景数据集的误差，并将精度与基于结构的方法相媲美，无需架构修改或领域适应性约束，因为该方法允许几乎无限产生训练数据，我们调查了在公共基准数据集上进行训练所使用的数据大小和分布对相机姿态回归的限制，得出结论，姿态回归精度在很大程度上受到相对较小且有偏的数据集的限制，而非姿态回归模型解决本地化任务的能力。同时，采用合成的逼真且具有几何一致性的图像进行数据增强。

Oct, 2021

本文介绍了一种名为 NeRFuser 的架构，它可以在不需要访问大量用于生成它们的图像集的情况下，对 NeRF（神经辐射场）进行注册和混合。NeRFuser 使用 re-rendering 技术进行注册，提出了基于采样的反距离加权进行混合，经实验证明具有鲁棒性。

May, 2023

本研究评估了 Neural Radiance Fields 在工业机器人应用中的潜力，并提出了一种替代 Structure from Motion 预处理的方法，通过基于机器人运动学的度量尺度确定了精确的相机姿态，表明在具有挑战性的场景中具有明显优势，并展示了在缺乏真实数据的情况下，应用集成方法估计合成新视图的质量的初步结果。

May, 2024

iNeRF 是一种基于 “倒置” 神经辐射场（NeRF）的框架，它可以通过合成图像与观察图像像素之间的残差最小化来实现无网格姿态估计。实验表明，iNeRF 可以应用于复杂的真实场景中，还可以执行目录级别物体姿态估计。

Dec, 2020

本文通过 RustNeRF 算法提出了一种实现在现实世界中高质量三维模型合成的方法，通过利用实际影像退化建模、隐式多视图引导等实现了对 NeRF 训练模型的改进。实验结果表明 RustNeRF 方法在面对实际影像退化时表现出更好的鲁棒性。

Jan, 2024