本研究使用神经辐射场（NeRF）从输入图像集合中学习高质量的三维物体类别模型，通过 2 组件 NeRF 模型，FiG-NeRF，实现场景的几何恒定背景和可变形前景的分离，从而仅使用光度监督和随意捕捉的物体图像即可学习准确的三维物体类别模型，并且可以进行精确清晰的无模分割和视图合成，并使用综合测量方法对方法进行定量评估。

Apr, 2021

本文提出了一种无监督的方法，叫做 uORF，用于从单张图像中推断物体场景表示，该方法整合了神经 3D 场景表示和深度推断网络，能够成功地分解复杂的 3D 场景，并完成诸如场景分割、3D 编辑和新视角合成等任务。

Jul, 2021

Text2NeRF 是一种基于 NeRF 模型以自然语言描述为输入的 3D 场景生成方法，利用预训练的文本到图像扩散模型和单目深度估计方法约束 NeRF 模型以保持内容和几何一致，同时使用逐步场景修复和更新策略保证场景视角一致性。实验结果表明该方法能够生成高保真度，多视角一致性和多样性的真实感 3D 场景。

May, 2023

该论文提出了一种基于可能性的自顶向下三维感知二维图像生成模型 NeRF-LEBM，它通过神经辐射场 (NeRF) 同时考虑了三维表示和二维成像过程，并通过可微分体积渲染来实现。作者提出了两种基于可能性的学习框架用于训练 NeRF-LEBM，并对已知和未知相机位姿的情况下的模型进行了研究。实验表明，NeRF-LEBM 能够从二维图像推断出三维物体结构，并生成具有新视角和新物体的二维图像。

Apr, 2023

本文综述了近年来神经辐射场（NeRF）技术在 3D 渲染和视角合成领域的最新研究进展和其不同的架构设计。

Jun, 2023

本研究提出了 Obj-NeRF，一种综合管道，通过使用一个单一的提示从多视图图像中恢复特定对象的 3D 几何形状。该方法结合了 Segment Anything Model（SAM）的 2D 分割能力和 NeRF 的 3D 重建能力，并应用了几种有效技术。此外，研究还构建了一个包含多样化对象的大规模对象级 NeRF 数据集，可在各种下游任务中发挥作用。为了证明我们的方法的实用性，我们还将 Obj-NeRF 应用于包括对象去除、旋转、替换和重新上色在内的各种应用。

Nov, 2023

我们提出了一种新颖的方法，通过利用神经辐射场（NeRFs）从二维监督中进行三维语义分割，通过提取表面点云上的特征，实现了场景的紧凑表示，这种表示对于三维推理而言具有高效的采样并且适于少样本分割。我们的方法不依赖于场景参数化，可以适用于任何类型的 NeRF 场景。

Oct, 2023

这篇研究论文提出了一种新型神经网络，可以从 2D 观察中隐式地表示和渲染 3D 物体和场景，通过将 2D 图像中的像素特征投影到 3D 点上，并使用聚合策略来考虑视觉遮挡，生成高质量逼真的新视角。

Oct, 2020

我们提出了一种名为 pixelNeRF 的学习框架，可以在仅有一张或几张输入图像的条件下预测连续的神经场景表示。与现有方法相比，我们的体系结构不需要每个场景都进行优化，从而使得在仅有一张图像的情况下就可以执行视角的合成和单幅图像的三维重建。经过大量的实验证明，我们的模型在形状、类别和实景等方面都优于现有的最先进技术。

Dec, 2020

我们提出了 NeuralLabeling，这是一种使用边界框或网格进行场景标注的方法和工具集，可以生成分割掩膜、可用性地图、2D 边界框、3D 边界框、6DOF 物体姿态、深度图和物体网格。

Sep, 2023