本文提出了一种基于先进的体素网格优化的快速变形辐射场方法来处理动态场景，该方法包括两个模块，采用变形网格存储动态特征和密度和色彩网格来模拟场景几何和密度，并将遮挡进行显式建模以进一步提高渲染质量。实验结果表明，本方法在仅用 20 分钟的训练时间下，达到了与 D-NeRF 相当的性能，比 D-NeRF 快 70 倍以上，显示了该方法的高效性。

Jun, 2022

介绍了一种称为 TiNeuVox 的辐射场框架，通过时间感知体素特征表示场景，进一步强化了时间信息，提出了多距离插值方法，以模拟小和大的动作，加快了动态辐射场的优化，并在合成和真实场景上经过实证评估，表现出与之前动态 NeRF 方法相似甚至更好的渲染性能。

May, 2022

该研究论文介绍了 VideoRF，这是第一个能够在移动平台上实时流式传输和渲染动态辐射场的方法，通过使用特定的训练方案和渲染流水线，实现了在移动设备上的高效实时渲染。

Dec, 2023

NeVRF 利用神经辐射场与基于图像的渲染相结合，通过引入新颖的多视图辐射混合方法从多视图视频中直接预测辐射，实现对长时间动态内视场景的逼真新视点合成。通过利用连续学习技术，NeVRF 能够高效重构顺序数据的帧，不需要重新访问先前的帧，从而实现长时间自由视点视频。此外，通过一种量身定制的压缩方法，NeVRF 能够紧凑地表示动态场景，在实际应用中使动态辐射场更加实用。我们的实验证明了 NeVRF 在实现长时间序列渲染、顺序数据重构和紧凑数据存储方面的有效性。

Dec, 2023

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

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

提供了一个快速重建、紧凑建模和可流式渲染的高效框架 NeRFPlayer，适用于用单个 RGB 摄像头捕捉的动态场景，同时使用神经场来表示和规范化三个分类：静态、变形和新领域。

Oct, 2022

用于捕捉快速运动的刚性和非刚性变形的事件流的准确重建的管道的 EvDNeRF，可以从静态或移动视点在任何所需的时间戳之间预测动态场景的事件流，因此可用作给定场景的基于事件的模拟器。

Oct, 2023

我们提出了一种超快速收敛的方法，通过从拍摄场景的一组图像中重建场景辐射场来最新的视点合成，该方法采用密度体素网格表示场景几何和 shallow network 表示复杂的视角相关的外观，同时采用了后激活插值和一些先验约束技术，从而使训练时间缩短到 15 分钟以内，并达到了前沿的质量水平。

Nov, 2021

本文提出了一种新的三维场景重建方法 HyperNeRF，通过将 NeRF 升维，将每个输入图像对应的五维辐射场表示为该 “超空间” 中的一片，从而解决了现有变形场模型在处理拓扑变化时的困难。实验表明，HyperNeRF 在平滑插值和新视角合成方面皆优于 Nerfies，平均误差率分别降低了 4.1％和 8.6％。

Jun, 2021