NeX 是一种基于 MPI 的新方法，可以在实时情况下再现下一级视角相关效果，其具有使用神经网络基础函数对每个像素进行参数化的特点，采用混合隐式 - 显式建模策略，从而在细节上得到了改进，并在基准前向数据集以及新设计的困难程度更高的视角相关建模限制测试数据集上，实现了比现有技术更优异的结果。

Mar, 2021

提出了一种名为 NeuMIP 的神经方法，用于在不同尺度下表示和渲染各种材料外观，通过神经贴图金字塔与完全连接的网络相结合，实现了对传统贴图金字塔的扩展，同时引入了神经偏移，该方法无需任何镶嵌的监督训练即可呈现具有精细视差效果的材料。

Apr, 2021

本研究提出了一种基于神经反演渲染的多视角光度立体（MVPS）方法，能够同时估算几何形状、材料和光源，并且在人工渲染、再照明和材质编辑方面具有较高的精度。

Jul, 2022

本文提出了一种基于多平面图像（MPI）的神经辐射场的灵活表示方法，用于复杂场景的高质量视图合成。通过多平面图像的参数化和自适应混合操作，实现了对复杂场景下各种视角和摄像机分布的高质量图像合成和长轨迹编码，从而在新视角合成方面超越了快速训练的方法，展示了在自动驾驶等应用中的潜力。

Sep, 2023

本篇论文提出了一种新的方法，通过将 NeRFs 融合为可与高度并行的图形渲染管线完全兼容的高效网格神经表示，使用屏幕空间卷积，来提高外观的质量和整个框架的表现。

Apr, 2023

我们提出了一种新颖的多视图光度立体（PS）方法，利用神经形状表示和学习渲染器，显式利用像素强度渲染，模拟每个点的入射辐照度并使用全神经材质渲染器进行优化，同时通过估计法线和分割图最大化表面精度，达到在距离为 1.5m、分辨率 400x400 的情况下，超过经典方法 DiLiGenT-MV 的平均 0.2mm 的沙耶缝距离，对低光计数场景的异常法线具有鲁棒性，使用像素渲染距离仅为 0.27mm。

May, 2024

我们提出了现代的解决方法，以解决多视角光度立体问题（MVPS），利用图像形成模型和深度学习方法恢复了密集的三维重建图像。

Oct, 2021

本文提出了一种新方法，使用预积分渲染有效地学习可重构的神经表面，同时在神经隐式场内学习几何、材料和照明等物理属性，并在协作上进行优化，实现了在合成和真实数据集中超越现有技术的效果。

Jun, 2023

介绍了一种基于多视角渲染的新型的神经渲染方法，该方法可以进一步优化场景属性，包括深度和重投影特征，从而实现改善的新视图合成。

Sep, 2021

使用连续值比特映射扩展 NeRF, 可以高效地渲染反锯齿锥体，提高了表现精细细节的能力，缩小了占用空间，降低了平均误差率

Mar, 2021